通过 | A. 戴维斯、P. 科利、D. 哈萨比斯
翻译|林岩、刘家义
一个多世纪前，斯里尼瓦萨·拉马努金 (Srinivasa Ramanujan) 以其非凡的能力震惊了物理学界，他能够看到其他人看不到的数字模式。
斯里尼瓦索尔·拉马努金
这位来自俄罗斯自学成才的物理学家将他的感知描述为深刻的直觉，常常在生动的梦中解释物理学。 这一观察捕捉到了纯物理学的具体之美。
近年来，人工智能在涉及人类深层直觉的领域取得了突破，在一些科学领域难以突破的问题上也取得了成果。 但到目前为止，最新的人工智能技术还没有大规模应用于纯物理领域的研究。
作为 DeepMind 工作的一部分人工智能数学基础视频，我们最近探索了机器学习 (ML) 识别物理结构和模式并帮助物理学家做出新发现的潜力 - 首次证明人工智能可以在纯物理学的前沿提供帮助。 。
明天，《自然》杂志发表了一篇论文，详细介绍了 DeepMind 与物理学家的合作，物理学家将人工智能应用到纯物理学的两个领域：拓扑和表示论。
我们与澳大利亚学院院士 Geordie Williamson 一起发现了一个几十年来一直没有被发现的排列预测新公式。 与牛津学院的物理学家 Marc Lackenby 和院士 András Juhász 一起，通过研究康威扭结的结构，我们发现了物理学中不同领域之间意想不到的联系。
评论这项工作的顶尖物理学家表示，这是机器学习在物理学领域的第一个重大发现。
我们也同时在arXiv上发表了相关论文人工智能数学基础视频，然后将这些论文提交给物理期刊。 通过这个例子，我们创建了一个范例，告诉其他物理学家如何使用这个工具来获得新的结果。
重新排列对象的有序列表。 序列“32415”将第一个元素放在第三个位置，第二个元素放在第二个位置，依此类推。
多年来，物理学家仍然使用计算机生成数据来帮助发现新模式。 这些被称为实验物理学的研究产生了著名的猜想，如伯奇和斯温纳顿-戴尔猜想、千 X 困境（共 6 个）以及物理学中最著名的开放问题（每个问题的奖金为 100 万美元） 。
尽管使用计算机生成数据取得了成功，但识别和发现这些数据中的模式仍然需要物理学家的帮助。
在纯物理学中，发现新的研究模式更为重要，因为它可能产生比任何物理学家一生所期望的更多的数据。 例如，这些具有数千个维度的物体也可能由于其深不可测的深度而难以直接检测。 推理。 考虑到这一限制，我们相信人工智能将以全新的方式增强物理学家的洞察力。
我们的结果表明，深度学习可以通过监督学习测量假设模式并通过机器学习归因深入了解该模式，从而补充物理研究，从而对问题产生直观的洞察。
DeepMind机器学习专家Alex Davies表示，“在DeepMind，我们相信人工智能技术已经足以在加速许多学科的科学进步方面发挥基础性作用。基础物理学就是一个反例，我们希望这篇《Nature》论文能够启发其他学科研究人员认为人工智能作为该领域有用工具的潜力。”
牛津大学物理学家 Marc Lackenby 表示，“利用机器学习来发现不同物理领域之间意想不到的新联系是非常有趣的。我对这一物理领域的发展感到非常兴奋。我相信我们有很大的进步。”牛津学院和伦敦的成就 该学院与 DeepMind 合作完成的工作表明，机器学习可以成为物理研究中真正有用的工具。”
牛津大学物理学院士安德拉斯·尤哈斯（András Juhász）表示：“纯粹物理学家的工作方法就是做出猜测并证明这个猜测，从而推导出定律。而这个猜测从何而来？我们已经在物理直觉，机器学习提供了一个强大的框架，可以在有大量数据可用的领域以及在对象太大而无法用经典方法研究的领域中发现有趣的、可证明的猜想。”