Сотрудничая с искусственным интеллектом (ИИ), исследователь из Брукхейвенской национальной лаборатории Министерства энергетики США (DOE) решил давнюю физическую задачу и раскрыл математический трюк, лежащий в основе обобщения недавно обнаруженных удивительных новых состояний вещества. Эта работа является примером сдвига парадигмы в исследованиях, поскольку учёные учатся использовать ИИ как ценный актив для продвижения знаний и открытий.
Исследование
Исследование, проведённое теоретическим физиком Брукхейвена Вейго У Инем и описанное в недавней статье, опубликованной в журнале Physical Review B, является первой работой, появившейся в результате «AI Jam Session» в начале этого года. Это мероприятие, организованное Министерством энергетики США совместно с OpenAI, было направлено на расширение возможностей применения больших языковых моделей общего назначения в научных исследованиях.
В исследовании Инь использовал ИИ для анализа класса передовых материалов, известных как фрустрированные магниты. В этих системах спины электронов — крошечные магнитные моменты, которыми обладает каждый электрон — не могут принять определённую ориентацию, потому что конкурирующие взаимодействия тянут их в разные стороны.
В 1960-х годах физики сообщили о точных решениях для простейшего случая одномерной (1D) цепочки атомов, которая допускает только две ориентации спинов: вверх или вниз. Это известно как одномерная фрустрированная модель Изинга. Но во многих других системах, которые изучает Инь, где применяются странные правила квантовой физики, может быть бесконечное количество ориентаций, что затрудняет компьютерное моделирование.
Применение ИИ в теоретической физике
«Мы знаем, что ИИ эффективен в анализе данных и оптимизации, — сказал Инь. — Но я скептически относился к тому, что он может сделать в теоретической физике, которая глубоко основана на математике. Тем не менее я был готов попробовать — особенно в атмосфере синергии, подобной классной, на Jam».
Чтобы оценить достоверность работы ИИ — тогдашней новейшей модели рассуждений OpenAI «o3-mini-high», Инь сначала предоставил ей исследование, которое она ещё не могла знать: свою недавнюю неопубликованную статью о новой модели для фрустрированных магнитов. Он попросил ИИ вывести сложные математические выкладки, лежащие в основе этой модели.
К удивлению Иня, для критического уравнения ИИ не воспроизвёл его точный результат, а вместо этого получил математически эквивалентный — выраженный в гораздо более элегантной форме.
«Это доказательство того, что ИИ провёл собственные вычисления, — сказал он. — Это был поворотный момент, и теперь я был полностью убеждён, что ИИ может быть моим партнёром по исследованиям».
Результаты исследования
Одномерная фрустрированная модель Поттса может быть уподоблена лабиринту квадратной формы. Сложность возникает из-за быстрого увеличения размера лабиринта по мере его усложнения.
«Мы привыкли колебаться у входа даже в следующий простейший лабиринт с тремя ориентациями спинов, потому что его коридоры кажутся бесконечно длинными, — сказал Инь. — Именно молниеносная скорость ИИ заставила нас решиться войти в него».
ИИ использовал симметрию, чтобы упростить лабиринт, и решил задачу для трёх ориентаций спинов всего за один день.
Теперь, имея в руках результаты для двух простейших случаев, Инь определил закономерность и разработал строгое доказательство для произвольного количества ориентаций спинов. В результате было получено удивительно простое решение, которое распространяется вплоть до бесконечного количества возможных ориентаций спинов.
Общее решение Иня выявило богатую фазовую диаграмму, которая может объяснить, как атомные слои укладываются в материалах, которые находят применение в традиционных вычислениях, электронике и квантовых устройствах следующего поколения. Решение также выявило несколько неожиданных новых результатов, включая точное отображение этой фрустрированной модели Поттса на более простую модель Поттса во внешнем магнитном поле.
Дальнейшие шаги
В дальнейшем Инь будет использовать этот подход с помощью ИИ для моделирования систем с более сложными атомными и электронными структурами, такими как сильно коррелированные электронные системы с переплетёнными зарядовыми, спиновыми, орбитальными и решёточными характеристиками, которые могут порождать экзотические явления, включая высокотемпературную сверхпроводимость и квантовую запутанность, жизненно важные для применения в энергетике и информационных технологиях.
recent paper published in Physical Review B, is the first paper emerging from the \»AI Jam Session\» earlier this year, a first-of-its-kind event hosted by DOE and held in cooperation with OpenAI to push the limits of general-purpose large language models applied to science research. The event brought together approximately 1,600 scientists across nine host locations within the DOE national laboratory complex. At Brookhaven, more than 120 scientists challenged and evaluated the capabilities of OpenAI’s latest step-based logical reasoning AImodel built for complex problem solving.»,»Yin’s AI study focused on a class of advanced materials known as frustrated magnets. In these systems, the electron spins—the tiny magnetic moments carried by each electron—cannot settle on an orientation because competing interactions pull them in different directions. These materials have unique and fascinating properties that could translate to novel applications in the energy and information technology industries.»,»In the 1960s, physicists reported exact solutions to the simplest case of a one-dimensional (1D) chain of atoms, which permits only two spin orientations: pointing up or pointing down. This is known as the 1D frustrated Ising model. But in many other systems that Yin studies, where the strange rules of quantum physics apply, there can be infinite orientations, making computational modeling very difficult. For example, the Potts model generalizes the Ising model to permit up to infinite spin orientations. It turns out that this 1D frustrated Potts model was just difficult enough to remain unsolved, even for only three spin orientations, and here is where AI comes into play.»,»\»We know AI is powerful in data analysis and optimization,\» Yin said. \»But I was skeptical about what it could do in theoretical physics, which is deeply grounded in mathematics. Still, I was willing to give it a try—especially in the classroom-like, synergetic atmosphere of the Jam.\»»,»To gauge the validity of the work of the AI—OpenAI’s then-latest reasoning model, \»o3-mini-high\»—Yin first fed it a study it could not already know: his recent unpublished paper on a new model for frustrated magnets. He asked the AI to derive the underlying complex mathematics that make that model possible.»,»To Yin’s surprise, for a critical equation, the AI did not reproduce his exact result but instead produced a mathematically equivalent one—expressed in a form that was far more elegant.»,»\»This is proof that the AI did its own math,\» he said. \»It was a turning point, and now I was fully convinced that the AI could be my research partner.\»»,»The 1D frustrated Potts model can be likened to a square-shaped maze. The challenge arises from the rapid increase in the maze’s size as the maze becomes more complex.»,»\»We used to hesitate at the entrance of even the next simplest maze for three spin orientations, because its corridors look endlessly long,\» said Yin. \»It was the AI’s lightning speed that made us dare to walk into it.\»»,»Indeed, AI exploited symmetry to simplify the maze and solved the case for three spin orientations—in only one day.»,»Like any colleague, the AI was not perfect. It did often make mistakes during the prompts, exactly like what happens when one navigates a maze.»,»\»It is up to us to spot its errors quickly,\» Yin said. \»By effectively blocking AI’s wrong moves, we help it to find the right ones—even when we have no idea of the right direction ourselves.\»»,»Now having the results for two simplest cases in hand, Yin identified a pattern and worked out a rigorous proof for an arbitrary number of spin orientations. The result was a remarkably simple solution that extended all the way to infinite possible spin orientations. This 1D frustrated Potts model—once a daunting, fundamental problem in statistical mechanics and materials science—was thus fully solved.»,»Yin’s general solution revealed a rich phase diagram that could explain how atomic layers stack in materials that have applications in traditional computing, electronics, and next-generation quantum and photonic devices. The solution also uncovered several unexpected novel results, including an exact mapping of this frustrated Potts model onto a simpler Potts model in an effective external magnetic field.»,»The existence of infinitely many exact mappings raises the general question of to what extent the frustration induced by an external magnetic field corresponds to the geometrical frustration arising spontaneously from competing spin interactions. These unknowns can guide not only fundamental research but also material designs. These insights have already been used in Yin’s recent work with experimental groups at Brookhaven.»,»\»Interacting with AI is like engaging with the collective knowledge of the world,\» said Yin.»,»He noted that he appreciated the conversational aspect of the AI reasoning system because interaction felt not just logical but dialogical.»,»\»Like in a Socrates-style dialogue, both people are trying to find the ‘magic’ in the other person’s argument and then identify something new that inspires them to solve a problem,\» he said. \»The solution, or even the problem, emerges from the conversation.\»»,»As a next step, Yin will use this AI-aided approach to model systems with more complex atomic and electronic structures, such as strongly correlated electronic systems with intertwined charge, spin, orbital, and lattice characteristics that can host exotic phenomena, including high-temperature superconductivity and quantum entanglement vital to energy and information technology applications.»,»\n\t\t\t\t\t\t\t\t\t\t\t\t\tProvided by\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tBrookhaven National Laboratory\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t»,»\n\t\t\t\t\t\t\tMore from Atomic and Condensed Matter\n\t\t\t\t\t\t «]’>Источник