Когда машины решают, что важно: ИИ ищет новую физику в потоке данных коллайдера

Каждую секунду внутри 27-километрового кольца Большого адронного коллайдера происходит 40 миллионов столкновений частиц. Подавляющее большинство этих событий никогда не будет сохранено — инженеры десятилетиями строили фильтры, которые решают, что записать, а что отбросить навсегда. Теперь эти решения, принимаемые за доли микросекунды, всё чаще доверяют нейронным сетям. И дело не в ускорении рутины — речь идёт о попытке найти то, что физики даже не знают, как искать.

Физика элементарных частиц переживает то, что специалисты деликатно называют «тихим кризисом». Стандартная модель — фундаментальная теория, описывающая известные частицы и силы — работает безупречно. Каждый новый эксперимент на коллайдере подтверждает её предсказания с пугающей точностью. Проблема в том, что эта модель заведомо неполна: она не объясняет тёмную материю, тёмную энергию, не согласуется с гравитацией. Теоретики десятилетиями предлагали расширения — суперсимметрию, дополнительные измерения, новые частицы. Экспериментаторы строили гигантские установки для их проверки. Но несмотря на петабайты собранных данных, прорыва не произошло. Как отметил журналист Мэтью Хатсон в материале для IEEE Spectrum, «существуют ключевые компоненты реальности, которые мы полностью упускаем».

Именно здесь в уравнение входит искусственный интеллект — но не так, как можно подумать. Это не очередная история из серии «ИИ для всего подряд», где технология просто ускоряет обработку данных или автоматизирует рутину. Исследователи не просят нейросети проверять существующие гипотезы. Они просят ИИ находить аномалии — любые отклонения от ожидаемого, которые могут указывать на «новую физику» за пределами Стандартной модели. По сути, это обучение без учителя в чистом виде: алгоритм не знает, что именно он ищет, и в этом весь смысл. Вместо подтверждения теорий, рождённых человеческим воображением, машина способна подсветить паттерны, о существовании которых никто не подозревал.

Техническая реализация этой идеи — отдельный инженерный подвиг. Нейронные сети, которые анализируют данные коллайдера, работают не на мощных серверах в дата-центре. Они запускаются непосредственно на программируемых логических матрицах — FPGA-чипах, подключённых к детекторам. Эти чипы обладают ограниченной памятью и вычислительной мощностью, поэтому сложные модели приходится буквально «сжимать» до размеров, которые влезут в аппаратную логику. Хатсон приводит красноречивую цитату одного теоретика, обращающегося к инженеру: «Какой из моих алгоритмов поместится на ваш чёртов FPGA?» За этой фразой — реальное напряжение между амбициями науки и ограничениями железа.

То, что происходит сейчас в ЦЕРНе, вписывается в многовековую традицию. Каждый принципиально новый инструмент наблюдения в истории науки не просто отвечал на существующие вопросы — он позволял задать новые. Телескоп Галилея обнаружил спутники Юпитера, о существовании которых никто не подозревал. Первые микроскопы открыли целые миры микроорганизмов, невидимых невооружённому глазу. По аналогии, ИИ на детекторах коллайдера — это не просто более быстрый фильтр. Это принципиально новый способ смотреть на данные, свободный от предубеждений и ожиданий экспериментатора. Машина не знает, что «должна» найти, и потому может заметить то, что человек отбросил бы как шум.

Значение этого подхода выходит далеко за пределы физики частиц. Если нейросеть способна обнаруживать неизвестные аномалии в потоке из миллионов событий в секунду, тот же принцип применим к астрономии, геномике, климатологии — к любой области, где объём данных давно превысил возможности человеческого анализа. Мы привыкли думать об ИИ как об инструменте, который отвечает на наши вопросы. Но куда интереснее ситуация, когда ИИ помогает сформулировать вопросы, которые мы не догадались бы задать.

Разумеется, у подхода есть ограничения. Аномалия в данных — это ещё не открытие. Нейросеть может указать на статистическое отклонение, но объяснить его физический смысл способен только человек. Кроме того, сжатие моделей до уровня FPGA неизбежно ведёт к потере точности — какие-то тонкие сигналы всё равно будут упущены. И всё же сама постановка задачи впечатляет. Если кризис современной физики — это не столько нехватка данных, сколько ограниченность человеческого воображения, то передача части «наблюдательных» функций машине выглядит не капитуляцией, а разумной стратегией. Не ИИ откроет новую физику — но он вполне может показать людям, куда стоит посмотреть.