ИИ помог вычислить гравитонные амплитуды в квантовой гравитации

Теоретическая физика долгое время считалась заповедником человеческого разума — областью, где интуиция и годы специализированной подготовки незаменимы. Новый препринт, опубликованный группой исследователей, ставит под сомнение эту аксиому: большая языковая модель GPT-5.2 Pro впервые помогла вывести и верифицировать ненулевые древесные амплитуды гравитонов в рамках квантовой гравитации. Это не просто технический курьёз — это сигнал о том, что искусственный интеллект начинает по-настоящему работать там, где прежде мог действовать лишь узкий круг специалистов.

Чтобы понять значимость результата, нужно погрузиться в контекст. Амплитуды рассеяния — это математические объекты, описывающие вероятности взаимодействия элементарных частиц. В квантовой теории поля их вычисление с помощью классических диаграмм Фейнмана давно известно как крайне трудоёмкий процесс: количество слагаемых растёт факториально с числом участвующих частиц. Метод так называемых single-minus амплитуд — особого класса гелицитетных конфигураций, где ровно один из внешних импульсов имеет отрицательную спиральность — позволяет существенно сократить аналитическую работу. Однако до последнего времени этот метод применялся преимущественно для глюонов в калибровочных теориях, таких как квантовая хромодинамика. Распространение подхода на гравитоны — частицы, переносящие гравитационное взаимодействие в рамках квантовой гравитации, — представляло отдельную нетривиальную задачу.

Гравитоны в теоретическом смысле значительно сложнее глюонов. Их амплитуды рассеяния, даже на уровне древесных диаграмм без учёта квантовых поправок, порождают выражения поистине устрашающей громоздкости. Именно здесь на сцену вышел GPT-5.2 Pro. Исследователи задействовали модель не как замену человеческому физику, а как аналитический ассистент, способный оперировать символьными вычислениями, отслеживать длинные алгебраические цепочки и проверять промежуточные результаты на корректность. Модель помогла вывести конкретные ненулевые амплитуды и верифицировала их, сопоставляя с известными соотношениями — в частности, с соотношениями Кавабата-Луфоро-Стивенса, связывающими гравитационные и калибровочные амплитуды. Важно подчеркнуть: речь идёт не о численном моделировании и не о подборе параметров — GPT-5.2 Pro работал именно с символьной алгеброй, той самой, которая традиционно требует участия человека с профессиональной квалификацией.

Это разграничение принципиально. В последние годы нейронные сети активно применяются в физике для решения дифференциальных уравнений, оптимизации молекулярных структур или ускорения симуляций. Но всё это — задачи, где модель оперирует числами или аппроксимирует функции. Аналитические вычисления в теоретической физике — принципиально иная история: здесь нужно манипулировать символьными выражениями, понимать структуру алгебр Ли, группу симметрий задачи и физические ограничения, накладываемые на результат. То, что языковая модель справляется с подобной работой на уровне, достаточном для включения в научный препринт, означает качественный сдвиг в возможностях технологии.

Для индустрии и академического сообщества этот результат открывает несколько важных перспектив. Во-первых, он легитимизирует использование LLM в фундаментальной теоретической науке — области, где подобные инструменты прежде воспринимались скептически. Во-вторых, он указывает на конкретную нишу, где языковые модели дают реальный выигрыш: не замена учёного, а ускорение наиболее рутинных, хотя и технически сложных этапов работы. Громоздкие алгебраические манипуляции, на которые физик-теоретик может тратить недели, потенциально сжимаются до часов. В-третьих, публикация стимулирует дискуссию о верификации: как сообщество должно относиться к результатам, частично полученным с помощью ИИ? Авторы, судя по всему, сделали ставку на прозрачность — явно указав роль GPT-5.2 Pro в работе.

Квантовая гравитация остаётся одной из главных нерешённых проблем фундаментальной физики. Теория всё ещё не имеет экспериментального подтверждения, а аналитический аппарат, необходимый для её разработки, чрезвычайно сложен. Если языковые модели способны взять на себя часть этой аналитической нагрузки, темп теоретических исследований может заметно возрасти. Не потому что ИИ понимает физику в человеческом смысле — а потому что он умеет чрезвычайно точно и быстро оперировать теми формальными структурами, которыми физика себя выражает. Это препринт, за которым стоит следить: если результаты пройдут рецензирование, мы, возможно, наблюдаем начало новой рабочей практики в теоретической физике.