Kan AI udvikle nye teorier om universets fundament baseret på den enorme mængde data, menneskeheden indsamler ?

Med menneskeheden, der opsamler hidtil usete mængder af astrofysiske og partikelfysikdata, kunne maskinintelligensværktøjer inspirere helt nye rammer for, hvordan universet er struktureret – hinsides rækkevidden af nutidens standardmodeller? Selvom AI udmærker sig ved at udsortere signaler og opdage korrelationer, har den endnu ikke præsenteret en paradigmeskiftende kosmologisk teori, der kan måle sig med kvantemekanikkens eller den generelle relativitetsteoris dybde på egen hånd.

Background

Seneste arbejde inden for beregningsmæssig kosmologi har vist, at deep learning kan rekonstruere kort over mørkt stof ud fra svage-linse-undersøgelser, og symbolsk-regressionsalgoritmer kan udlede Keplers love eller Ohms lov direkte fra tidsseriedata, hvilket demonstrerer, at AI kan genskabe eller interpolere kendt fysik, når den får rene, høj kvalitet input (Nature 594, 2021; PRX 12, 2022). Inden for partikelfysik komprimerer neurale netværks-autokodere detektorniveau-hændelser til lavdimensionelle latente rum og markerer anomalier, der ikke passer til Standardmodellen (Nature 600, 2021). Lignende teknikker er blevet anvendt på simuleringer af galaksedannelse, hvor de identificerer subtile træk i den stjerne-halo massefunktion, der korrelerer med baryonisk feedback-processer (MNRAS 511, 2022). Projekter som Dark Energy Survey, Large Synoptic Survey Telescope og Square Kilometre Array forventes at levere multi-petabyte-kataloger inden for det næste årti, hvilket udvider søgefeltet for nye fysiske love (arXiv:2303.08151). På trods af disse succeser er forsøg på at bruge AI til at postulere fundamentalt nye teorier—såsom at modificere tyngdekraften på kosmologiske skalaer uden at inddrage mørk energi eller forene kvantefeltteori med generel relativitetsteori via data-drevne renormaliseringsgruppe-strømme—fortsat spekulative og har endnu ikke produceret en eneste teori, der modstår uafhængig eksperimentel granskning (Living Reviews in Relativity, 26:3, 2023).