Основная статья: Искусственный интеллект
Как применяют ИИ в науке
Генеративный ИИ может оказывать фундаментальное влияние на науку, технологии, ускоряя технологический прогресс. В 2023 Spydell Finance выделял несколько ключевых направлений в данной сфере.
Систематизация и структуризация сверхбольших массивов информации
Как ученому найти похожие научно-исследовательские материалы? Через поиск, но данные могут нерелевантными или устаревшими. Необходима индексация и анализ тысяч научных статей, чтобы комбинировать и интегрировать в целостную картину схожие исследования.
Генерация гипотез
ИИ может использоваться для генерации гипотез, которые могут быть использованы для проведения научных исследований. Это может помочь ученым ускорить процесс открытия новых знаний.
Сверхбыстрый поиск и обработка комбинаций решений для поиска оптимального пути исследования
ИИ может помочь ученым в проектировании и оптимизации экспериментов, предсказывая наиболее перспективные направления исследований, что снижает затраты и повышает шансы на успех.
Моделирование и симуляция
ИИ способен создавать сложные модели и симуляции, которые могут предсказывать результаты экспериментов и исследований, а также помогать в понимании сложных систем и процессов.
Быстрый поиск и коррекция ошибок в математических, физических моделях или программном коде
Быстрый поиск и коррекция ошибок в математических, физических моделях или программном коде позволит упростить и ускорить процесс расчетов.
Анализ и интерпретация сложных данных в моделировании сложных систем
Анализ и интерпретация сложных данных в моделировании сложных систем, создавая более понятную и читаемую структуру данных.
2022: ИИ упростил решение известной задачи квантовой физики со 100 тыс. уравнений до четырех
4 октября 2022 года стало известно о том, что с помощью искусственного интеллекта (ИИ) физики смогли радикально оптимизировать известную квантовую проблему, которая до недавнего времени подразумевала решение 100 тыс. различных уравнений. Теперь достаточно решить четыре уравнения, и это без каких-либо жертв в плане точности результатов.
Как сообщалось, работа, опубликованная в Physical Review Letters 23 сентября 2022 г., может привести к изменениям в том, как ученые исследуют системы, содержащие множество взаимодействующих электронов. Если это решение удастся масштабировать на другие аналогичные проблемы, с его помощью будет возможно создание сверхпроводящих материалов или средств экологически чистого производства энергии.
 | Мы начинаем с большого корпуса взаимосвязанных дифференциальных уравнений и затем с помощью машинного обучения превращаем его в нечто настолько малое, что можно посчитать на пальцах. |  |
Проблема, известная как модель Хаббарда, связана с поведением электронов, движущихся внутри решеткообразной структуры. Если два электрона занимают одну точку в решетке, они взаимодействуют. Модель Хаббарда — «идеальный» вариант нескольких важных классов материалов; с ее помощью ученые получают представление о том, как поведение электронов обеспечивает искомые состояния вещества, такие как сверхпроводимость, при которой электроны движутся, не встречая сопротивления. Модель также используется для отработки различных методов работы с более комплексными квантовыми системами.Миграция с SAP SuccessFactors и SAP HCM на российские HR-решения: как выстроить стратегию перехода 
Простота модели Хаббарда, однако, глубоко обманчива, пишет издание Phys.org. Даже когда обсчитывается скромное количество электронов, и используются самые передовые вычислительные подходы, объем собственно вычислений остается большим. Дело в квантовом сцеплении: после того, как два электрона взаимодействуют, они оказываются сцепленными, и как бы далеко они ни оказывались друг от друга впоследствии, их нельзя рассматривать как самостоятельные единицы. В результате физикам приходится учитывать сразу все электроны разом, а не каждый по отдельности. И чем больше электронов добавляется в систему, тем больше происходит сцеплений, и тем выше вычислительные ресурсы, которые требуются для изучения такой системы.
Физики в таких случаях применяют ренормализационные группы — математический аппарат, который используется для выявления изменений в системе при модификации ее свойств, например температуры, или последствий изменения масштабов.
Однако даже ренормализационная группа, отслеживающая все возможные сцепления между электронами без ущерба для точности, будет содержать десятки тысяч, сотни тысяч или даже миллионы отдельных уравнений, требующих решения.
Ди Санте и его коллеги задумались о возможности применить нейросеть для того, чтобы сделать массивную ренормализационную группу более управляемой. И это им удалось.
Нейросеть вначале проиндексировала все связи в полноразмерной группе ренормализации, затем перенастраивала силу этих соединений до тех пор, пока не выявила узко ограниченный набор уравнений, выдающих точно такой же результат, что и исходная ренормализационная группа. Количество таких уравнений в итоге удалось низвести до четырех.
Обучение нейросети потребовало больших вычислительных ресурсов: программа проработала несколько недель непрерывно. Однако теперь эта нейросеть может быть использована для производства вычислений в связи с другими крупными физико-математическими проблемами, без необходимости начинать ее обучение с нуля.
Ди Санте и его соратники также изучают, что именно их нейросеть «поняла» насчет системы, к которой была применена, в надежде выявить закономерности, прежде неочевидные для физиков.
Остается вопрос, насколько данный подход работает с более сложными квантовыми системами, например с материалами, в которых электроны взаимодействуют на больших дистанциях. По словам Ди Санте, существуют очень интересные возможности использовать данный метод в других областях, где используются ренормализационные группы, в том числе космологии и неврологии.
| | Если выводы, сделанные в этой работе не будут опровергнуты, то, возможно, речь идет о глобальной революции в физике. Революции, которая оказалась достижима только благодаря машинному обучению и характерной для нейросетей способности выявлять скрытые закономерности, которые и позволяют низводить сложные системы до считанного количества параметров. Пока возможности нейросетей находятся на начальном этапе развития, но есть основания полагать, что в будущем с их помощью удастся решать какие-то другие проблемы и задачи физики, которые пока остаются нерешенными, например уравнений Шредингера, множественные проблемы сверхтекучести и т. д.[1] | |
2020: Сбербанк привлекает искусственный интеллект для расшифровки рукописей Петра Первого
29 июня 2020 года стало известно о том, что Сбербанк решил привлечь технологии искусственного интеллекта для расшифровки рукописей Петра Первого. Подробнее здесь.
Примечания
