Na světě existuje mnoho různých typů precizních měřicích přístrojů, mezi nimiž vyniká zařízení s mimořádně silnými charakteristikami: observatoř pro měření gravitačních vln LIGO (Laser Interferometer Gravitational-Wave Observatory). Tato observatoř má dva detektory gravitačních vln — jeden se nachází ve státě Washington v Hanfordu a druhý v Livingstonu v Louisianě. V rámci velkého L-tvaru, jehož délka dosahuje 4 km, laserové paprsky několikrát cestují tam a zpět. Když gravitační vlna projde, relativní délky obou ramen se mění o maličkost, menší než průměr protonu. Měření této změny dosahuje přesnosti, která je srovnatelná s měřením vzdálenosti do hvězdy Alfa Centauri se stejnou precizností jako tloušťka lidského vlasu; tímto způsobem se uskutečňují objevné zázraky.

Na konstrukci tohoto zařízení se pracovalo několik desetiletí, neboť fyzikové museli zdolat fyzikální limity ze všech úhlů pohledu. Výstavba započala v roce 1994, a poté, co byla na čtyři roky přerušena kvůli vylepšením, trvala více než 20 let, než byla dokončena. První gravitační vlna byla detekována v roce 2015 a šlo o drobné vlnění časoprostoru vzniklé při srážce dvou černých děr na velké vzdálenosti.

Vedoucí týmu pro optimalizaci detektorů

Během poloviny 00. let vedl tým, jehož cílem bylo optimalizovat detektor, fyzik Rana Adhikari z Kalifornského technologického institutu. Spolu se svými spolupracovníky pečlivě přehodnocovali návrh LIGO a systematicky zkoumali každý faktor bránící zvýšení přesnosti zařízení.

Inovace v návrhu pomocí umělé inteligence

Od roku 2015 Adhikari usiluje o další pokrok v návrhu LIGO. Snaží se detekovat gravitační vlny o širším frekvenčním spektru. To by LIGO umožnilo objevit nejen fúze různě velkých černých děr, ale také další, nečekané jevy. Adhikari poznamenává: „Skutečně chci objevit něco, co si nikdo nedokázal představit, něco zcela nového v astronomické fyzice. Neměli bychom mít předsudky o tom, co vesmír vytváří.”

Adhikari a jeho tým se zaměřili na využití umělé inteligence (AI). Oslovili zejména software, který byl poprvé vyvinut Mariem Klenem pro provádění teoretických experimentů v oblasti kvantové optiky. Nejprve tým řekl AI, aby vytvořila všechny kombinovatelné komponenty pro konstrukci interferometru jakékoli složitosti, přičemž AI začala bez omezení uvažovat. To vedlo k návrhům detektorů, které zahrnovaly tisíce komponentů, jako jsou čočky, zrcadla a lasery, s délkou přesahující desítky tisíc kilometrů.

Na začátku se zdálo, že návrhy AI jsou podivné: „Výstupy generované AI byly pro lidské pochopení nepřístupné. Byly příliš složité, příliš odlišné, velmi „AI-ovské”. Postrádaly symetrii i krásu a byly skutečně chaotické,” popisuje Adhikari.

Porozumění výstupům AI

Vědci zjistili způsoby, jak uspořádat výstupy AI a přetvořit je na interpretovatelné koncepty. Nadále si však lámali hlavy nad myšlenkami generovanými AI. „Kdyby nějací studenti přišli s takovými odpověďmi, řekl bych: ‚to ne, to nedává smysl‘ a zastavil bych je,” sdělil Adhikari. Přesto bylo jasné, že myšlenky měly hodnotu.

Trvalo měsíce, než tým pochopil, co AI dělá. Nakonec zjistili, že AI využívala metody, které odporovaly intuici lidí, k dosažení cíle. Přidala k hlavnímu interferometru a detektoru kruhový úsek o délce 3 km, aby světlo obíhalo předtím, než vyšlo z ramen interferometru. Adhikariho tým si uvědomil, že AI eventuálně využívá velmi komplikované teoretické principy na snížení kvantového šumu, které ruský fyzik objevil před desítkami let. Tato teorie nikdy nebyla experimentálně prozkoumána. „Odloučení takových myšlenek od běžných řešení je něco, co lidé těžko vymyslí. Rozhodně byla potřeba AI,” poukazuje Adhikari.

„Kdybychom tuto AI myšlenku mohli využít při stavbě LIGO, její citlivost by byla od začátku o 10 až 15 % vyšší,” dodává Adhikari. V mikroskopickém světě pod rozměrem protonu představuje 10–15% rozdíl obrovskou hodnotu.

Podle fyzika Efraima Steinberga z Torontské univerzity „LIGO je výsledkem mnoha lidí, kteří se po dobu 40 let intenzivně zamýšleli nad tímto problémem. To, co AI nově vytvořilo, je to, co nikdo z těchto lidí ani nenapadlo.”

Aplikace AI ve fyzice a výzkumu

Ačkoli AI zatím nepřinesla nové objevy v oblasti fyziky, stává se již mocným nástrojem po celém světě. Nejenže pomáhá vědcům při plánování experimentů, ale také dokáže odhalit důležité vzory ve složitých datech. Například algoritmy AI, které analyzují data z Velkého hadronového urychlovače ve Švýcarsku, postupně odhalují symetrii v přírodě. Tato symetrie sama o sobě není novinkou; byla klíčovým prvkem Einsteinovy teorie relativity, avšak objev AI slouží jako určitý důkaz platnosti těchto předpovědí. Fyzikové také využívají AI k nalezení nových rovnic popisujících dosud objevenou koncentraci temné hmoty. „Člověk může začít učit se z odpovědí, které AI vygeneruje,” podotýká Adhikari.

Nové experimenty s kvantovým provázáním

V klasické fyzice, která popisuje náš každodenní svět, mají objekty jasně definované vlastnosti, které nejsou ovlivněny měřením. Například koule na biliáru má v každém okamžiku určitou polohu a hybnost. Ve světě kvantové fyziky je však situace zcela jiná. Objekty v kvantové teorii jsou reprezentovány matematickou entitou nazývanou „kvantový stav”. Naším úkolem je pouze vypočítat pravděpodobnost, že objekt bude v určité pozici v okamžiku pozorování.

Navíc se dva (nebo více) kvantových objektů mohou podílet na sdílení jediného kvantového stavu. Například světlo tvoří spektrum částic označovaných jako „fotony”, které se vytvářejí jako „provázané” páry. To znamená, že dva fotony mohou sdílet stejný kvantový stav, i když se od sebe vzdálí. Při pozorování jednoho z fotonů se zdá, že vlastnosti druhého, již vzdáleného fotonu, jsou okamžitě určené.

Fyzikové se po celé desetiletí domnívali, že kvantové provázání se může vytvářet pouze v případě, že objekty byly původně na stejném místě. Ve skutečnosti tuto domněnku zbořil Anton Zeilinger, který získal Nobelovu cenu za výzkum kvantového provázání. Zeilinger a jeho tým se ukázali být schopní vytvářet kvantové provázání, i když začínají se dvěma nezávislými páry provázaných fotonů.

Například, máme-li pár provázaných fotonů A a B a další pár C a D, Zeilingerova skupina navrhla inovativní experiment, který spojuje fotony B a C, čímž vzniká nový pár provázaných fotonů A a D. Tato situace byla nazvána „propojení provázání” a nyní tvoří jeden z klíčových prvků kvantové technologie.

Nové výzkumy pomocí softwaru „PyTheus”

V tomto kontextu tým v roce 2021 zahájil nové experimentální návrhy pomocí softwaru pojmenovaného „PyTheus”. Prefix „Py” odkazuje na programovací jazyk Python, zatímco „Theus” je pojmenovaný po hrdinovi Theseovi, který porazil Minotaura v řecké mytologii. Tým nastavil experimentální scénáře pomocí matematické struktury nazývané „graf”. Graf je struktura tvořená uzly a hranami, kde uzly představují elementy experimentu, jako jsou rozdělovací čočky a dráhy fotonů.

Tým začal budováním obecného grafu, který modeloval všechny experimentální prostory na předpokládaném základě. Tento graf zaznamenával výstupní charakteristiky, které reprezentovaly nežádoucí kvantový stav, například interakci dvou částic, které se nikdy předtím nesetkaly.

Klíčem bylo zjistit, jak upravit další části grafu tak, aby generovaly požadovaný stav. Tým formuloval určitou matematickou funkci, která přijímala stav grafu jako vstup a počítala rozdíl mezi grafem výstupu a cílovým kvantovým stavem. Úpravou parametrů grafu interaktivně se snažili snížit tento rozdíl až na nulu.

Jeden z Klenerových studentů, Soren Aalt, se pokusil nalézt nejlepší způsob, jak vyvolat výměnu propojení. Brzy si uvědomil, že tento experimentální návrh je zcela odlišný. Bylo to naprosto jinak než experiment provedený Zeilingerem v roce 93. „Když jsme to viděli, byli jsme zmatení. Já jsem si byl jistý, že někde musí být chyba,” vysvětluje Klein.

Algoritmus optimalizace čerpal koncepty z jiného výzkumného pole s názvem „multifotonová interference”. To vedlo k jednoduššímu uspořádání, než mělo Zeilingerovo experiment. Klenerův tým znovu matematicky analyzoval konečný experimentální plán a potvrdil, že tento nový experiment vytváří nové formy spojení částic, které dosud neexistovaly.

V prosinci 2024 potvrdil čínský vědecký tým s Xiaosongem Ma (Ma Xiangchun) z Nankingské univerzity tento úspěch reprodukcí experimentálního prostředí a prokázáním jeho zamýšleného fungování.

Strojové učení a identifikace „Lorentzovy symetrie”

Fyzikové nevyužívají AI pouze pro experimentální návrhy, ale také pro analýzu experimentálních výsledků. „Právě teď se chováme jako bychom učili dítě mluvit,” říká Kyle Cranmer, fyzik z University of Wisconsin-Madison, a popisuje novou snahu uplatnit AI ve fyzice jako „tak, jako bychom se starali o chůvu.” I přesto modely strojového učení, které byly trénovány na reálném světě a simulovaných datech, začínají identifikovat vzory, které by člověk mohl přehlédnout.

Například Cranmer a jeho tým použili modely strojového učení k predikci hustoty shlukování temné hmoty ve vesmíru, na základě vlastností jiných shluků, které lze pozorovat v okolí. Tento typ výpočtu je nezbytný pro pochopení formování a růstu galaxií a galaktických clusterů. AI systémy dosáhly rovnic popisujících hustotu shlukování temné hmoty a výsledky byly lepší než ty, které samostatně vypočítali lidé. Cranmer poznamenává: „Dokáže úžasně přesně popsat data, ale jak se k tomu dostala, zůstává zcela neznámé.”

AI poskytuje důkaz o tom, že může znovuobjevit již známé fyzikální zákony.

Růse Yu, počítačová vědkyně z Kalifornské univerzity v San Diegu, spolu se svými kolegy pokračuje ve školení modelů strojového učení pro odkrývání skrytých symetrií v datech. Symetrie se vztahují k vlastnosti dat, která se nemění nebo se mění pouze v předvídatelných mezích po určitých transformacích. Například kruh se nezmění při otáčení, takže má rotační symetrii. Yu a její tým aplikovali tuto metodu na data z Velkého hadronového urychlovače a identifikovali takzvanou „Lorentzovu symetrii”.

Ta je zásadní pro Einsteinovu teorii relativity a zajišťuje, že fyzikální zákony se nemění, i když se mění pohled na pozorování. Například rychlost párů částic generovaných urychlovačem se nezmění v závislosti na denní dobu. Pokud by tato rychlost kolísala, naznačovalo by to, že se otáčení Země podílí na faktoru a tudíž existuje určité „preferované směrování” v časoprostoru. „Podařilo se nám prokázat, že tento model objevil Lorentzovu symetrii čistě na základě dat, aniž bychom mu poskytli fyzikální znalosti,” uvádí Yu.

Cranmerovi a Yuovými postřehy se shodují. Tyto metody jsou výborné pro detekci vzorů, avšak současné modely AI nejsou schopny pochopit význam nalezených vzorů a formulovat hypotézy nebo fyzikální zákony, které by je vysvětlily. I přesto Cranmer považuje za možné, že s při přemýšlení o systému jako ChatGPT je situace na cestě k pochopení. „Myslím, že je vysoce pravděpodobné, že modely jazyků pomohou s automatizací formulace hypotéz. Časový rámec pro dosažení tohoto cíle je už blízko.”

Ačkoli umělou inteligenci dosud neprovází fáze samostatného generování nových konceptů, její pomoc znamená, že nové fyzikální objevy se mohou v realitě stát velice pravděpodobnými. Tento názor sdílí i Steinberg. „Možná právě teď překonáváme tu hranici. Když to všechno uvažuji, cítím vzrušení.”