ИИ в науке: Claude сам довёл расчёт, который физики считали неподъёмным

Физик-теоретик Мэтт фон Хиппель предложил ИИ-лабораториям задачу из своей области: посчитать девятипетлевую амплитуду рассеяния в теории N=4 super Yang-Mills. Считалось, что такой расчёт на скромных академических ресурсах не поднять. Claude довёл его до конца двумя независимыми способами, потратив порядка одной-двух тысяч долларов. Результат проверил Ланс Диксон из SLAC.

Что за задача и почему её считали неподъёмной

N=4 super Yang-Mills — это не описание нашего мира, а учебный полигон. Физики используют её, чтобы отлаживать методы расчётов, которые потом переносят на настоящие теории. Устройство теории позволяет считать то, что в реальных моделях пока недоступно.

Амплитуда рассеяния описывает, с какой вероятностью частицы разлетятся тем или иным образом. Число петель означает порядок точности: каждая следующая петля увеличивает объём вычислений многократно. Девять петель — та граница, за которой ручная работа перестаёт помещаться в разумные сроки, а перебор вариантов упирается в вычислительный бюджет университетской лаборатории.

Что сделала модель

Claude решил задачу двумя разными путями: прямым методом угадывания структуры ответа с последующей проверкой и обходным, через связанные величины. Два независимых способа с одинаковым результатом — обычная для физики форма самопроверки.

Бюджет получился скромным по меркам лаборатории: около одной-двух тысяч долларов, причём один из подходов обошёлся примерно в сто. По вычислениям это эквивалент недели работы девяноста шести процессоров.

Результат подтвердил Ланс Диксон, профессор SLAC и один из тех, кто занимается такими расчётами профессионально. Без независимой проверки история была бы просто заявлением.

Почему это отличается от «нейросеть решила задачу по физике»

Запросы вида «реши задачу по физике» модель закрывала давно, и там всё понятно: задача имеет известный ответ, метод описан в учебнике, модель воспроизводит путь.

Здесь ответа не было ни у кого. Не было и готового рецепта: пришлось выбрать метод, написать вычислительный код, прогнать его, проверить результат вторым способом. Это ближе к работе аспиранта за несколько месяцев, чем к решению задачи из задачника.

Отсюда практический вывод, который сам фон Хиппель и делает: решаемых таким образом задач в науке больше, чем считалось. Не потому, что модель умнее физика, а потому что у неё хватает терпения на перебор, который человек не станет делать руками.

Где предел

Стоит держать в голове три ограничения.

Первое: задача была вычислительной. Понятна цель, есть критерий правильности, результат можно проверить. В областях, где нет однозначной проверки, такой подход работает намного хуже.

Второе: проверял человек, и без него результат ничего не стоил бы. Модель могла выдать правдоподобный ответ с ошибкой в середине, и заметить это способен только специалист.

Третье: теория выбрана специально удобной. N=4 super Yang-Mills на то и существует, чтобы в ней считалось лучше, чем в физике реального мира.

Что из этого переносится на обычную работу

Схема, которая сработала в физике, повторяется в любой задаче с проверяемым результатом.

• Два независимых пути к ответу. Попросите модель прийти к результату другим способом и сравните. Расхождение указывает на ошибку точнее, чем любая проверка «на глаз».
• Критерий правильности до начала работы. Если вы не можете заранее сказать, как отличить верный ответ от неверного, модель не поможет, а только ускорит движение в неверную сторону.
• Расчёт и код вместо рассуждений. Там, где нужна арифметика или перебор, просите модель написать и выполнить код. Считать в голове она по-прежнему умеет плохо.
• Финальная проверка за человеком. Она не отменяется ни на каком уровне модели.

Первые три вещи в tenzor делаются в обычном чате: модель пишет и выполняет код, работает с таблицами, показывает промежуточные шаги.

Что дальше почитать

• Claude нашёл в ДНК новую ферментную систему — другой случай, где перебор дал проверяемый результат.
• Нейросеть для кода — как заставить модель считать кодом, а не «в голове».