Nobelprisen i fysikk Giorgio Parisi og hans kollega Francesco Zamponi de klarte å løse en problem ble igjen åpen i mer enn 10 år takket være støtte fra Claude, AI utviklet av Anthropic. Resultatet, publisert i «Journal of Statistical Mechanics: Theory and Experiment»fullfører en serie studier publisert mellom 2012 og 2014 sammen med kolleger Patrick Charbonneau, Jorge Kurchan Og Pierfrancesco Urbani.
I disse studiene hadde gruppen jobbet med en teoretisk fremstilling av «jamming”, det vil si den fysiske prosessen der viskositet av enkelte materialer som skum, granulære materialer og glass øker ettersom tetthet av partikler, til det punktet å gjøre systemet nesten «stivt». For å få et intuitivt bilde kan vi tenke på «jamming» som et «trafikkork» av partikler. Når trafikken øker, har biler mindre og mindre plass til å bevege seg til de blir fullstendig blokkert. På samme måte, når partikler komprimeres utover en viss grense, kan de ikke lenger bevege seg fritt og materialet blir stadig mer stivt.
Å forklare hvordan denne prosessen fungerer fra et teoretisk synspunkt er slett ikke enkelt, men i studien publisert i 2014 hadde de fem forskerne gitt en ganske uttømmende forklaring og demonstrasjon. Imidlertid forble ett punkt fortsatt åpent: to parametere av modellen, kalt a og bde hadde alltid en sum lik 1. Dette forholdet ble observert gjennom simuleringer numeriskmen det var fortsatt ingen teoretisk demonstrasjon som kunne forklare hvorfor det nødvendigvis måtte være sant. Problemet har vært åpent i over ti år, og nå, takket være bruken av Claude, har Parisi og Zamponi endelig fått teoretisk demonstrasjon av dette resultatet.
De siste månedene har tilfeller der kunstig intelligens blir brukt for å takle matematiske og teoretiske problemer på høyt nivå økt. Utover den vitenskapelige betydningen av demonstrasjonen, representerer dette arbeidet et konkret og dokumentert eksempel på hvordan en kunstig intelligensmodell kan bidra til å løse et åpent problem i teoretisk fysikk.
Nettopp av denne grunn bestemte forfatterne seg for å gjøre alle samtalene med Claude offentlige, slik at vi i detalj kan rekonstruere hvordan modellen ble brukt under arbeidet og gi indikasjoner på hvordan man bruker disse verktøyene strengt i vitenskapelig forskning.
Hvordan AI Claude ble brukt av Parisi og Zamponi for demonstrasjonen
For å få demonstrasjonen ba de to fysikerne Claude om støtte. Spesielt fra modellene Sonnet 4.6 og Opus 4.7. Som det står i selve artikkelen:
Opus 4.7-modellen behandlet i hovedsak demonstrasjonen på egen hånd, med minimal tilsyn fra vår side.
Denne setningen risikerer imidlertid å bli misvisende hvis den leses uten kontekst: i virkeligheten ekspertguide av de to forskerne var grunnleggende.
I den første samtalen, tilgjengelig i sin helhet online, ledet Parisi Opus for gjenskape resultatene av forrige artikkel, noe som fikk ham til å analysere de allerede kjente ligningene e generere koden i programmeringsspråket C++ for å løse dem numerisk; han bekreftet deretter at resultatene falt sammen med de publiserte.
Først etter å ha rekonstruert hele det teoretiske rammeverket, ba Parisi ham finne en analytisk demonstrasjon av det manglende forholdet.
Når de hadde en første versjon av beviset, hadde de to forskerne det verifisert forsiktig, og i den andre samtalen rapporterte Zamponi noen til Claude inkonsekvenser tilstede i den første versjonen og veiledet ham i å korrigere dem. Claude Sonnet 4.6-modellen ble deretter brukt til å avgrense noen mindre komplekse passasjer ytterligere.
På hvert trinn av denne demonstrasjonen sjekket, reviderte, modifiserte og foredlet forskerne alle Claudes svar.
Fordi problemet ikke var løst før
I artikkelen stiller forfatterne seg selv et interessant spørsmål: hvorfor hadde ikke dette beviset blitt funnet før, til tross for at problemet har vært åpent i over ti år?
Parisi og Zamponi svarer ærlig på det de hadde ikke ingen prøvde tilnærmingen foreslått av Claude, fordi de var overbevist om at noe dypere var skjult bak forholdet som skulle demonstreres, en ny matematisk struktur eller en symmetri som ennå ikke var sett. De lette etter en kompleks forklaring, og dette førte til at de forsømte en mer konseptuell vei enkelmen ekstremt arbeidskrevende på grunn av mengden av beregninger som kreves.
Denne studien viser oss en av de mest interessante aspektene ved bruken av AI i vitenskapelig forskning. Intuisjonen til de som forsker er fortsatt grunnleggende for å formulere riktige spørsmålevaluer resultatene og forstå hvilke problemer som fortjener å bli adressert. AI kan imidlertid bli et veldig effektivt verktøy for å verifisere arbeidskrevende trinn eller navigere stier som et menneske kan forkaste fordi de er for lange eller repeterende.
Mer enn å automatisere søk viser tilfeller som dette hvordan AI kan utvide plassen ideer som forskere kan utforske. Og i noen tilfeller bidra til å lukke problemer som har vært åpne i årevis.
