人工智能如何助力(而非阻礙)物理學

中國科學院國家天文臺 茍利軍 編譯自 Tara Shears.

Physics World

本文選自《物理》2025年第10期

人工智能在物理學中的應用已屢見不鮮，但物理學是否也能反過來幫助人工智能？英國物理學會最近發布了一份調研與報告，塔拉·謝爾斯(Tara Shears)在這份報告中探討了這兩個領域之間的關系。

套用簡·奧斯汀(Jane Austen)的名言：凡是擁有龐大數據集的科研項目，必定“渴望”人工智能(artificial intelligence，AI)的助力。

費米實驗室對撞機探測器(CDF)是一個大型國際合作項目，聚集了來自15個國家約60家機構的科學家。其中一支團隊來自德國的卡爾斯魯厄大學(現為卡爾斯魯厄理工學院)，他們試圖在對撞機的數據中分辨出底夸克(譯者注：bottom quark，又被稱為美夸克，beauty quark)的物質與反物質類型。這項任務出了名的困難——背景噪聲極高，信號極其微弱，而數據量龐大。更棘手的是，在許多變量上，信號與背景之間僅存在細微差異。

面對這樣的數據挑戰，該團隊的Michael Feindt教授開發了一種神經網絡算法來解決問題。這類算法模仿人腦中神經元的學習方式，能夠通過訓練識別數據中的模式。Feindt的神經網絡在使用合適的信號與背景樣本進行訓練后，能夠有效地區分二者，并以最優方式結合變量，從而識別出物質與反物質的底夸克。

在當時，這項工作之所以引人注目，僅僅是因為它提供了一種全新的思路：如何在龐大的噪聲背景中提取微弱信號。然而事實證明，這一神經網絡成為對撞機探測器諸多物理成果的重要基石，其中就包括具有里程碑意義的發現——Bs介子(由反底夸克與奇異夸克組成的粒子)在物質與反物質形態之間的振蕩。

此后，該算法的改進版本被廣泛應用于其他場合，包括歐洲核子研究中心大型強子對撞機(LHC)的四大實驗中的三項。在每一個案例中，這種方法都讓研究人員能夠以更少的數據提取更多的信息，從而加快了科學進展的步伐。

更有意思的是，這種神經網絡方法的受益范圍遠不止粒子物理學，它還曾短暫地被應用于對沖基金管理以及汽車保險費率預測。后來，一家名為菲-T(Phi-T，之后改名為藍色遠方，BlueYonder)的公司從卡爾斯魯厄大學孵化出來，并將該算法應用于供應鏈物流優化。經過幾輪收購，這家公司如今已成為屢獲殊榮的全球性企業。而這套神經網絡卻依然免費供粒子物理學家們使用。

雙向大道。機器學習算法在分析大型物理實驗產生的海量數據時極為寶貴。但與此同時，物理學也推動了許多人工智能技術的發展

從實驗室到客廳

如今，許多類型的神經網絡和其他人工智能方法已被常規地用于獲取和分析粒子物理數據。事實上，我們的數據集龐大到必須依賴計算機的幫助，它們的使用已經從“新奇之舉”變為“必不可少”。

可以讓你感受一下數據規模之大，在LHC的下一輪運行期間，其實驗預計每年會產生約2000拍字節(2×1018字節)的真實與模擬數據，從而供研究者分析。這一數據量幾乎是YouTube上一年上傳視頻總量的10倍，是谷歌年度網頁數據集的30倍，相當于Outlook一年郵件流量的三分之一以上。這樣的數據規模，毫無疑問需要人工智能來進行分析。

粒子物理或許是人工智能的早期應用者，但如今AI已經廣泛滲透到整個物理學領域。這并不令人意外。物理學本身數據量巨大、計算密集，因此在數據分析、物理系統模擬，以及復雜實驗的自動化控制等方面，都能顯著受益于人工智能帶來的速度提升和計算能力。

例如，在天文巡天中，人工智能已被用于對引力透鏡圖像進行分類。它幫助研究人員在不同的暗能量模型下，對觀測到的物質分布進行解釋。實際上，2024年時，AI讓暗能量巡天的研究成果有了相當于數據樣本量翻四倍的提升(詳見“AI宇宙”)。

人工智能甚至幫助設計了新材料。2023年，谷歌DeepMind發現了數百萬種可能支撐未來技術發展的新晶體，這一成果相當于800年的研究積累。而且還有許多類似的突破——AI已成為加速科學進展的一股強大力量。

但人工智能并不局限于復雜的實驗。事實上，我們每天都在使用它。AI為網絡搜索提供動力，幫助人們理解概念，甚至有時通過傳遞錯誤信息讓人們產生誤解。如今，AI已經滲透到生活的方方面面，每一次出現都同時帶來挑戰與機遇。

AI 宇宙

暗能量巡天合作項目已經使用AI方法來研究暗能量(被認為是驅動宇宙膨脹的神秘現象)。

此前，暗能量巡天研究人員通過分析來自星系光線的畸變，來推斷光在抵達觀測者之前所經過物質的引力效應，從而繪制出宇宙中的物質分布。這種分布既依賴于可見物質和暗物質(它們將星系彼此吸引)，也依賴于暗能量(它使星系相互遠離)。

在2024年的一項研究中，研究人員利用AI技術模擬了一系列物質分布，每一種分布對應著暗物質、暗能量及其他宇宙學參數的不同取值。隨后，他們將這些模擬結果與實際觀測到的物質分布進行比較。通過判斷哪些模擬結果與數據相符，得以提取出相應的暗能量參數數值。

由于AI方法能夠利用比傳統手段更多的信息進行對比，結果也更加精確。研究人員的精度提升了一倍，相當于用以往方法增加四倍數據量才能達到的效果。

用深度學習解析黑暗宇宙。這是一個由名為“高爾街(GowerStreet)”的AI工具生成的暗物質模擬圖

物理學家的聲音

正是這種挑戰與機遇并存的局面，讓當下成為審視物理與人工智能關系的關鍵時刻，思考兩者能夠如何互相賦能。事實上，英國物理學會最近就此主題發布了一份“先導”研究報告，謝爾斯也擔任了顧問。所謂“先導研究”，是對某一主題進行全景式的探索，明確后續更深入、更詳細的“影響”研究應當拓展的方向。

這份先導研究的標題是《物理與AI：物理學界的視角》。它基于對英國物理學會會員的調查(調查他們對AI及其用途的態度)，以及一次專家研討會(討論未來的創新潛力)。最終形成的報告于2025年4月發布，揭示了人工智能在物理學中已是如此廣泛的應用現狀。

在約700名調查參與者中，約有三分之二的人表示在某種程度上使用過AI，而且在物理學的各個分支領域，都有相當一部分人對其有所了解。最常見的是與各種機器學習方法或生成式AI相關，但也有人接觸過AI倫理與政策、計算機視覺和自然語言處理。這表明AI的用途極其廣泛，從非常具體的模式識別和圖像分類任務，到理解它更廣泛的社會影響與監管需求。

謹慎前行

盡管人工智能確實能夠顯著加速物理研究，但我們必須保持謹慎。正如許多調查參與者指出的那樣，AI是一種強有力的輔助工具，但如果僅僅把它當作黑箱來用，并想當然地認為它會給出正確結果，這是非常危險的。AI工具本身及我們賦予它們的任務都十分復雜——我們必須確保理解它們在做什么、效果如何，才能對其結果有足夠信心。

關于AI使用不當導致結果失真，有數不清的警示案例。美國麻省理工學院的Joy Adowaa Buolamwini在2017年的碩士論文中，分析了三種商用的人臉識別技術，揭示出這些算法因訓練集不完整而存在性別與種族偏見。訓練數據集中以白人男性面孔為主，導致有色人種女性被誤判的比例高達35%，而白人男性的識別準確率卻高達99%。這一發現促使IBM和微軟對其算法進行了修正。

謹慎的理由。基于人工智能的人臉識別技術在黑人女性群體中的表現最差，這種偏差可能帶來嚴重的現實負面后果。其根源在于訓練數據集嚴重偏向白人男性

即便只是評估機器學習應用中的不確定性，也充滿了復雜性。訓練數據從來都不完美。例如，模擬數據可能無法完全準確地描述實驗中設備的響應，或者如前例所示，若訓練數據集不完整，真實數據中的關鍵過程就可能被遺漏。而算法的表現也從不完美，訓練方式和參數選擇本身都會帶來不確定性。

事實上，在這份先導研究的調查中，有69%的受訪者認為人工智能對物理學帶來了多重風險，其中主要擔憂之一就是訓練數據質量差或錯誤導致的結果不準確(詳見“對不確定性的‘不確定’”)。物理研究中若出現結果錯誤，可能會“發現”一個并不存在的粒子，或錯過一個真正的新粒子，這已足夠嚴重。試想一下，如果未經充分理解的AI方法被用于解讀醫學影像，作出醫療決策，或被用于金融投資的模型建議，其風險之大可想而知。然而，盡管后果嚴重，在這些現實場景中應用的AI方法往往校準不足，其不確定性也并未被清晰界定。

物理學界正考慮一些新方法，試圖將源于模擬訓練數據的不確定性與算法性能相關的不確定性區分開來。然而，這并不容易。美國勞倫斯伯克利國家實驗室的Aishik Ghosh和Benjamin Nachman在2022年的一篇論文中指出，設計出一種方法，使其對“你認為訓練數據中存在的不確定性”不敏感，并不等同于真正對“實際存在的不確定性”不敏感。如果情況如此，不僅測量不確定性會被低估，而且根據訓練數據與現實之間的差異，還可能得到錯誤的結果。

人工智能能夠、也確實在推動物理學發展，但我們必須投入時間正確地使用它，確保結果可靠。只有這樣，其他領域的人們也才能從我們的工作中受益。

對不確定性的“不確定”

英國物理學會的“先導研究”調查向其成員提問：“在物理學研究與創新中，您對人工智能的最大潛在擔憂是什么？”受訪者可以選擇多個答案，而最普遍的擔憂是人工智能的不準確性。

物理學如何幫助人工智能

物理學是一個對精確度要求極高的領域，我們在理解結果中的偏差和不確定性時力求嚴謹。事實上，先導研究報告強調，我們量化不確定性的方法同樣是能夠推動和強化人工智能的方法。這對于未來的創新以及提升人們對人工智能應用的信任至關重要。

相關進展已經在展開。其中之一是2017年首次提出的“物理約束神經網絡”。這種方法不僅利用與特定應用相關的訓練數據，還要求模型結果必須與物理定律保持一致。引入物理規律有助于彌補訓練數據的不足，并能防止出現違反物理規律的解，從而提高結果的準確性。雖然這一領域還相對年輕，但發展極為迅速，已經在計算流體力學、傳熱學、結構力學、期權定價以及血壓估算等領域得到了應用。

另一項進展是貝葉斯神經網絡的應用，它能夠在預測中引入不確定性估計，從而讓結果更穩健、更具意義。這種方法已經在醫療診斷和股市預測等決策至關重要的領域中進行試驗。

但這對物理學來說并不陌生。早在2000年代，對撞機探測器實驗中開發的神經網絡就是一種早期的貝葉斯神經網絡。它被設計用來抵抗數據中的離群點，避免因統計波動引起的訓練問題，并以可靠的概率基礎來解釋結果。正是這些特性，使得這種方法在分析物理學以外的許多系統時也同樣具有不可替代的價值。

因此，物理學既從人工智能中獲益，也能推動人工智能的進步。這是一種獨特的關系，理應得到更廣泛的認可，而現在正是將其凸顯出來的好時機。英國政府已經表示，它認為人工智能是“我們這一代人決定性的機遇”，能夠驅動增長和創新，并希望讓英國成為全球人工智能強國。相關行動計劃和戰略已經在實施。物理學可以提供獨特的視角來助力實現這一目標，現在正是將其納入討論的時刻。

用先導研究報告中的話來說，我們需要清晰闡釋并展示人工智能能為物理學做些什么，以及物理學能為人工智能貢獻什么。讓我們從這里出發，把物理學真正放上人工智能的地圖，為所有人所知。

人工智能術語與定義

以下是人工智能領域一些關鍵術語的定義。

人工智能(AI)

由機器展現出的智能行為。但“智能”的定義頗具爭議，因此一個更普遍、更容易被接受的定義是：人工智能是指系統能夠根據環境和既往經驗調整自身行為的能力。

機器學習

作為賦予機器人工智能的一類方法，機器學習本身是一個廣泛的范疇。本質上，它是一個系統通過訓練集進行學習，從而能夠在面對新數據時自主做出恰當反應的過程。

訓練數據

一組真實或模擬數據，用來訓練機器學習算法，使其能夠識別數據中表征信號或背景的模式。

人工神經網絡

機器學習的一個分支，其學習機制仿照生物大腦的運作方式。輸入信號在通過層層相互連接的神經元時會被不斷調整，最終輸出結果。“經驗”通過改變網絡中神經元之間連接強度的方式被“編碼”。

生成式人工智能

一種機器學習算法，它能夠基于訓練數據生成新的內容，如圖像或文本。

計算機視覺

人工智能的一個分支，通過分析、解讀和提取圖像中的有用信息來識別和分類對象與模式。

自然語言處理

人工智能的一個分支，負責分析、理解和生成自然語言。

《物理》50年精選文章