Фантастика? Как ИИ-агент решает нерешённые задачи физики
В 2026 году физика переживает трансформацию, которую ещё пару лет назад назвали бы научной фантастикой. Искусственный интеллект перестал быть просто вычислительным инструментом — он стал полноценным научным партнёром, способным не только считать, но и мыслить, предлагать гипотезы и находить решения там, где человеческий гений десятилетиями заходил в тупик.
От инструмента к партнёру: новая эра научного сотрудничества
Долгое время ИИ в физике использовался как мощный калькулятор: обрабатывать данные, оптимизировать параметры, проводить симуляции. Но в 2025–2026 годах произошёл качественный скачок. Появились ИИ-агенты — системы, которые не просто выполняют команды, а самостоятельно ведут исследовательский процесс: выдвигают гипотезы, проверяют их, корректируют подход и снова пробуют.
В июле 2026 года в журнале Physical Review X была опубликована работа о системе SciExplorer — «агентном искусственном учёном», построенном на большой языковой модели-1. Эта система впервые полностью автоматизирует исследовательский цикл: от наблюдений и анализа до генерации гипотез-1. SciExplorer работает без специальных настроек для конкретных задач — ему достаточно минимального набора общих инструкций и инструментов на основе кода-1.
Результаты впечатляют: система успешно восстанавливает уравнения движения из наблюдаемой динамики и выводит гамильтонианы из экспериментальных данных — и делает это в самых разных областях: от классической механики до квантовой физики многих тел-1.
Нобелевский лауреат против десятилетней загадки
Один из самых ярких примеров новой эры научного сотрудничества — история нобелевского лауреата Джорджо Паризи и его коллеги Франческо Дзампони. В течение десяти лет они безуспешно пытались доказать математическую гипотезу, связанную с физикой «заклинивания» (jamming) — перехода, при котором рыхлая система частиц (песок, пена, коллоиды) внезапно становится жёсткой при увеличении плотности-5.
В 2014 году Паризи и Дзампони обнаружили удивительную закономерность: два математических параметра модели всегда давали в сумме единицу-20. Но почему это так — оставалось загадкой-20.
Когда появились генеративные ИИ-модели, Паризи решил использовать эту задачу как тест. Выбор пал на систему Claude — она «казалась обладающей несколько более продвинутыми математическими способностями»-14-20.
Сначала физики попросили ИИ воспроизвести их расчёты десятилетней давности. Это заняло около 40 запросов-14. Затем последовал естественный вопрос: если сумма равна единице, можете ли вы доказать почему?
«Довольно быстро Claude выдал первоначальную идею, которая по сути была верной», — рассказывает Дзампони-20. Доказательство содержало ошибки и потребовало нескольких раундов проверки, но базовая интуиция оказалась правильной-20. Итоговое доказательство, опубликованное в Journal of Statistical Mechanics, объединило вклад физиков и ИИ-5.
Дзампони признаётся: этот опыт изменил его взгляд на роль ИИ в теоретической физике-14. ИИ не заменил человеческую интуицию — он дал «мгновенный доступ к огромному хранилищу математической подготовки, которое лежало за пределами нашей обычной области»-14.
Архитектура ИИ-агента в физических исследованиях
Чтобы решать задачи уровня Нобелевской премии, агент использует четырехчастную структуру:
- Модуль планирования (Planning): Разбивает сложную физическую проблему (например, «найти комнатный сверхпроводник») на подзадачи.
- Память (Memory): Хранит базу данных известных законов физики (короткая память — текущие результаты эксперимента; долгая память — физические константы, аксиомы, квантовые постулаты).
- Инструменты (Tools): Агент умеет запускать суперкомпьютерные симуляции, писать код на Python/C++, отправлять запросы к роботизированным лабораториям и читать научные статьи.
- Действие (Action): Проведение вычислений или синтез веществ на основе принятых решений.
Как именно агент решает задачи: ключевые методы
Автономный научный поиск (AI Labs)
Агенты управляют роботизированными химическими и физическими лабораториями (так называемые Self-Driving Labs).
- Агент выдвигает гипотезу о свойствах нового материала (например, для квантовых компьютеров).
- Сам отдает команду роборукам смешать компоненты и провести тест.
- Анализирует неудачу, корректирует химическую формулу и повторяет цикл.
Результат: Скорость открытия новых кристаллических фаз возрастает в тысячи раз.
Обучение с подкреплением (RL) в динамических средах
В задачах, где физические уравнения слишком сложны для аналитического решения (например, турбулентность в гидродинамике или удержание плазмы в токамаке), агент обучается методом проб и ошибок в точных симуляторах.
- Агент совершает микродвижения магнитным полем.
- Получает «награду» от среды, если плазма удерживается дольше, или «штраф», если она касается стенок.
- Находит уникальные геометрические конфигурации полей, которые физики-теоретики не могли рассчитать вручную.
Символьные агенты и генерация гипотез
Такие агенты работают в пространстве чистой математики. Они используют LLM (большие языковые модели) совместно с верификаторами кода (например, Lean или Coq). Агент генерирует сотни вариантов математических доказательств или модификаций уравнений (например, в теории струн), автоматически проверяет их на логическую непротиворечивость и оставляет только жизнеспособные теории.
Автономный конструктор моделей: AMBer
В июле 2026 года физики Калифорнийского университета в Ирвайне представили систему AMBer (Autonomous Model Builder) — ИИ, который самостоятельно конструирует теоретические модели физики частиц-19.
AMBer использует обучение с подкреплением — метод проб и ошибок, а не следование заранее заданным инструкциям-19. Система исследует пространство возможных теорий, выбирая математические группы симметрий, определяя, какие частицы включить в модель и как они должны себя вести-19. Каждая модель оценивается по тому, насколько хорошо она соответствует экспериментальным данным-19.
AMBer уже подтвердил свою способность воспроизводить известные результаты в области нейтринной физики — а затем начал исследовать ранее неизученные математические рамки, выявляя новые перспективные модели-19. Нейтрино — это субатомные частицы с чрезвычайно малой, но ненулевой массой, что не объясняется Стандартной моделью физики-19. AMBer помогает сузить огромное пространство теорий до наиболее перспективных кандидатов, давая физикам «лучшую информированную отправную точку»-19.
Нейтронные звёзды и квантовые лабиринты
В феврале 2026 года учёные Аргоннской национальной лаборатории использовали ИИ для решения загадки, десятилетиями ставившей в тупик физиков: как ведёт себя материя внутри нейтронных звёзд — самых плотных объектов во Вселенной-25.
Их нейронные сети смогли точно смоделировать поведение протонов и нейтронов в экстремальных условиях — то, чего не могли достичь предыдущие методы-25. Самое поразительное: ИИ самостоятельно обнаружил ядерные кластеры, не получая указаний, что искать-25. Эти кластеры возникают естественно при минимизации энергии системы, открывая структуры, невидимые для традиционных подходов-25.
А в январе 2026 года физик Уэйго Инь из Брукхейвенской национальной лаборатории использовал ИИ для решения ещё одной давней проблемы — одномерной фрустрированной модели Поттса-21. Это обобщение модели Изинга, допускающее бесконечное число ориентаций спинов-21. Инь загрузил в ИИ свою неопубликованную работу и попросил вывести математику. К его удивлению, ИИ не воспроизвёл его результат, а предложил математически эквивалентное, но гораздо более элегантное выражение-21.
«Это доказательство того, что ИИ проделал свою собственную математику, — сказал Инь. — Это был поворотный момент. Теперь я был полностью убеждён, что ИИ может быть моим исследовательским партнёром»-21.
Новый вид сотрудничества
Во всех этих историях повторяется один и тот же паттерн. ИИ не заменяет физиков — он становится соавтором. Он предлагает подходы, находит неожиданные связи, указывает на слабые места в аргументации-5. Он генерирует идеи, которые человек проверяет, дорабатывает и превращает в строгие доказательства.
Как выразился один из исследователей, работа с ИИ — это не «запрос-ответ», а диалог, длящийся недели интенсивного обмена идеями-5. ИИ ускоряет процесс и открывает направления, которые исследователи могли бы не рассмотреть самостоятельно-5.
Мы вступаем в эру, где граница между человеческим и машинным творчеством в науке стирается. И это не фантастика — это реальность 2026 года.
Dim_Su
