16、AI助力基础物理研究及相关技术解析

AI助力基础物理研究及相关技术解析

1. AI在基础物理中的应用前景

利用AI帮助解决现代物理学中的基础问题是一个极具潜力的方向。在相关研究中，采用的方法尽量减少对物理系统的先验知识依赖。例如，在提取量子系统的表示时，确保进行测量的主体以操作方式行动，不使用任何关于量子力学的先验知识。而且，用于提取表示的网络结构SciNet并非专门针对量子系统设计，对经典系统如阻尼摆也同样适用。

通过寻找具有操作意义的表示，能够得到物理教科书中常用的系统表示。这表明具有操作意义的表示所需的属性也是人类物理学家所需要的，只是物理学家可能并未意识到他们使用诸如粒子质量或电荷等参数的根本原因。

在未来，如果能构建一个AI主体，使其通过与量子系统交互并仅假设一些“自然”要求（如寻找具有操作意义的表示）来发现量子力学的形式体系，然后逐步去除假设的原则并重新训练AI主体，就有可能发现量子力学的替代公式，从而最终帮助克服当前量子理论面临的概念问题，这些问题可能是由一些我们最好放弃的“隐藏”假设导致的。

2. 潜在变量数量的解释

为了理解SciNet中潜在神经元的最小数量与物理数据自由度之间的关系，我们使用微分几何技术。给定的数据用三元组 (O, Q, a⋆) 描述，其中O是包含观测数据的集合，Q是包含问题的集合，函数a⋆: (o, q) → a将观测o ∈ O和问题q ∈ Q映射到正确的回复a ∈ A。

• 数据集的维度定义 ：考虑由三元组 (O, Q, a⋆) 描述的数据集，其中a⋆: O × Q → A，且所有集合都是实数集，O ⊆ Rr，Q ⊆ Rs，A ⊆ Rt。如果存在一个n维子流形On