Нейросеть научилась понимать физику: JEPAWG восстанавливает фазовые переходы по весам

Искусственный интеллект перестаёт быть просто инструментом для обработки данных — он начинает самостоятельно осваивать законы физики. Группа исследователей разработала генератор весов нейросети JEPAWG, который по заданным константам связи напрямую создаёт параметры потоковой нормализующей модели для решёточных квантово-полевых теорий. В экспериментах на скалярной теории на решётках размером от 6×6 до 11×11 латентное пространство JEPAWG точно восстанавливает размерность многообразия физических параметров, определяет фазовый переход и кодирует конечный сдвиг, соответствующий критическому индексу 2D модели Изинга ν ≈ 1. Это означает, что нейросеть не просто предсказывает, но и понимает физику — её внутренние веса отражают структуру реальности.

Как работает JEPAWG: от констант связи к пониманию фазовых переходов

JEPAWG основана на архитектуре Joint-Embedding Predictive (JEPA). В отличие от традиционных нейросетей, которые просто предсказывают результат, JEPA учится создавать внутренние представления (латентное пространство), сохраняющие топологию физической системы. Генератор принимает на вход константы связи — параметры, описывающие взаимодействия в квантово-полевой теории — и на их основе генерирует веса для нормализующего потока. Нормализующий поток — это тип нейросети, который моделирует сложные распределения вероятностей, в данном случае — распределения конфигураций поля на решётке.

Латентное пространство JEPAWG имеет размерность всего 2–3, но при этом точно отражает структуру физического многообразия. Оно демонстрирует чёткое разделение фаз: точки, соответствующие разным фазам системы (например, упорядоченной и неупорядоченной), группируются в разные кластеры. Более того, масштабирование с размером решётки согласуется с теоретическими предсказаниями: критический индекс ν, полученный из латентного пространства, равен примерно 1, что характерно для двумерной модели Изинга. Это подтверждает, что нейросеть "понимает" физику фазовых переходов, а не просто запоминает данные.

Почему это важно: нейросеть как новая физическая наблюдаемая

Решёточная теория поля — один из главных инструментов для расчётов в физике сильных взаимодействий и критических явлений. Обычно для извлечения физических результатов требуются дорогие симуляции на суперкомпьютерах. JEPAWG предлагает альтернативный подход: вместо того чтобы запускать симуляции, можно изучить веса обученной сети и напрямую получить информацию о физической системе. Это открывает путь к интерпретируемому ИИ в естественных науках, где нейросеть становится не чёрным ящиком, а новым типом физической наблюдаемой.

Какие преимущества даёт такой подход?

Традиционные методы машинного обучения в физике часто критикуют за непрозрачность: модель может давать точные предсказания, но не объяснять, почему. JEPAWG решает эту проблему, делая внутреннее представление сети физически осмысленным. Исследователи могут анализировать латентное пространство и видеть, как нейросеть "видит" фазовые переходы. Это не только улучшает интерпретируемость, но и может привести к новым открытиям: если латентное пространство выявляет структуру, которую физики раньше не замечали, это может указать на новые закономерности.

Кроме того, JEPAWG эффективнее традиционных методов сжатия данных. Сравнение с PCA, автоэнкодерами и вариационными автоэнкодерами показало, что JEPAWG лучше восстанавливает физическое многообразие и точнее предсказывает фазовые переходы. Это делает его перспективным инструментом для анализа сложных физических систем.

Детали эксперимента: как проверяли нейросеть

Исследователи тестировали JEPAWG на скалярной теории поля на решётках размером от 6×6 до 11×11. Скалярная теория — простейшая модель, которая, тем не менее, демонстрирует фазовый переход второго рода, аналогичный переходу в модели Изинга. Для каждой решётки генерировались конфигурации поля при разных константах связи, и JEPAWG обучалась предсказывать веса нормализующего потока.

Латентное пространство анализировалось с помощью методов уменьшения размерности. Оказалось, что две-три латентные переменные полностью описывают всё физическое многообразие: одна координата соответствует температуре (или константе связи), другая — размеру системы, третья — конечным эффектам. Критическая точка, где происходит фазовый переход, проявилась как область с аномальным масштабированием. Критический индекс, извлечённый из латентного пространства, совпал с теоретическим значением для 2D модели Изинга (ν ≈ 1) с погрешностью менее 5%.

Кого затронет это открытие

В первую очередь, JEPAWG интересен физикам-теоретикам, которые занимаются решёточными расчётами и моделированием квантовых полей. Им метод может существенно сократить вычислительные затраты: вместо тысяч симуляций достаточно обучить одну нейросеть и анализировать её латентное пространство. Также работа важна для исследователей в области интерпретируемого ИИ — она показывает, как можно сделать нейросети "прозрачными" для физиков. Наконец, разработчики нейросетей для научных приложений получат новый инструмент, который можно адаптировать для других задач, от климатологии до материаловедения.

Что пока неизвестно: ограничения и перспективы

Несмотря на впечатляющие результаты, остаётся несколько открытых вопросов. Главный — насколько метод масштабируется на более сложные теории, такие как квантовая хромодинамика (КХД) на больших решётках. В КХД больше степеней свободы и сложная структура вакуума, поэтому латентное пространство может потребовать большей размерности. Пока JEPAWG тестировался только на скалярной теории, и его применимость к калибровочным теориям не доказана.

Также неясна общность подхода для других типов нейросетей. JEPAWG использует JEPA-архитектуру, но, возможно, аналогичные результаты можно получить с помощью других моделей. Наконец, остаётся вопрос о физической интерпретации латентного пространства: хотя оно коррелирует с известными параметрами, не исключено, что в нём за符号ирована и другая информация, которую физики пока не научились читать.

Тем не менее, JEPAWG — это важный шаг к созданию ИИ, который не просто вычисляет, но и понимает физику. Возможно, в будущем нейросети станут неотъемлемой частью научного метода, помогая открывать новые законы природы.