Noblista użył Claude’a do fizyki. Tak powstał nowy dowód

Sztuczna inteligencja od dawna pisze streszczenia, kod i profesjonalnie brzmiące odpowiedzi. Tym razem weszła jednak na teren, na którym nie wystarczy ładne zdanie i pewny ton. Giorgio Parisi, noblista z fizyki, oraz Francesco Zamponi opisali dowód w fizyce teoretycznej, który powstał przy istotnej pomocy Claude’a. Model miał nie tylko pomagać w redakcji, lecz także dojść do kluczowej części rozumowania. A potem ludzie zrobili to, co w nauce najważniejsze: sprawdzili dowód dokładnie, poprawili nieścisłości i podpisali go własnymi nazwiskami.

Claude oczywiście nie dostał Nagrody Nobla, nie został samodzielnym fizykiem i nie napisał pracy bez udziału ludzi. To nie jest historia o maszynie, która zastąpiła naukowców. To raczej znacznie ciekawsza historia o tym, że model językowy stał się narzędziem realnego rozumowania w bardzo trudnej, technicznej części fizyki matematycznej.

Autorami pracy są Giorgio Parisi i Francesco Zamponi. To oni odpowiadają za wynik, kontekst, weryfikację i ostateczny tekst. Claude był partnerem w procesie szukania dowodu. Według autorów model Opus 4.7 w dużej mierze sam wyprowadził dowód, przy minimalnym nadzorze, ale wcześniejsza wersja zawierała nieścisłości. Fizycy je wskazali, model poprawił rozumowanie, a później Sonnet 4.6 pomógł dopracować drobne kroki.

W nauce nie liczy się to, czy odpowiedź wygląda mądrze. Liczy się to, czy można ją rozebrać na kroki i sprawdzić. Tutaj ludzie nie przyjęli wyniku na wiarę. Przeczytali, poprawili, wycięli fragmenty uznane za niejasne i dopiero wtedy pokazali dowód światu.

Samo zagadnienie nie brzmi tak efektownie jak np. stwierdzenie, że AI odkryła nowe prawo natury, ale kryje się za nim coś naprawdę ciekawego. Chodzi o tzw. jamming, czyli zakleszczanie. To moment, w którym układ złożony z wielu elementów nagle przestaje się swobodnie poruszać i z luźnej, niemal płynnej struktury przechodzi w coś sztywnego i uporządkowanego.

Najprostszy obraz to ziarna piasku, granulki, kulki, pianki, emulsje albo gęsto upakowane cząstki. Gdy jest ich mało, mogą się przesuwać. Gdy upakowanie robi się odpowiednio gęste, układ zaczyna zachowywać się jak ciało stałe. Nie dlatego, że cząstki magicznie się skleiły, tylko dlatego, że geometria kontaktów i ograniczeń blokuje ich ruch.

To zjawisko jest szczególnie ważne w fizyce materii miękkiej, materiałach amorficznych, szkle, proszkach, emulsjach, a nawet w opisie układów złożonych, w których porządek nie wygląda jak regularny kryształ. Zakleszczanie jest trudne, bo znajduje się na granicy mechaniki, statystyki, geometrii i teorii układów z wieloma stopniami swobody.

W pracy Parisiego i Zamponiego chodzi o wykładniki krytyczne w teorii zakleszczania gęstych twardych sfer w granicy nieskończonego wymiaru. Gdy układ zbliża się do przejścia, różne wielkości fizyczne zachowują się według praw potęgowych. Te prawa opisuje się właśnie wykładnikami krytycznymi.

Takie wykładniki mówią np. o rozkładzie małych szczelin między cząstkami, słabych sił kontaktu albo o tym, jak układ traci swobodę ruchu. W teorii istniała tożsamość między pewnymi wykładnikami, zapisywana jako a+b=1. Numerycznie wszystko zgadzało się z ogromną dokładnością, ale brakowało analitycznego dowodu.

To klasyczna sytuacja w fizyce teoretycznej. Komputery i intuicja mówią, że to musi być prawda. Równania sugerują, że coś się domyka. Wyniki numeryczne nie zostawiają prawie żadnej przestrzeni na przypadek. A jednak dopóki nie ma dowodu, zostaje luka. Claude pomógł tę lukę zamknąć.

Relacja a+b=1 jest ważna, bo łączy dwa sposoby patrzenia na ten sam problem. Z jednej strony mamy formalizm fullRSB, czyli pełnego łamania symetrii replik, znany z teorii szkieł i układów z nieporządkiem. Z drugiej strony mamy mechaniczne rozumienie marginalnej stabilności układu kontaktów między cząstkami.

Jedna teoria opisuje układ od strony przestrzeni stanów i statystycznej mechaniki bardzo złożonych konfiguracji. Druga patrzy bardziej mechanicznie: na siły, kontakty, stabilność i to, czy upakowanie siedzi na granicy sztywności.

Tożsamość a+b=1 pomaga pokazać, że te dwa obrazy nie są tylko przypadkowo zgodne numerycznie. W ramach tej teorii prowadzą do tych samych relacji między wykładnikami. To ważne, bo w fizyce najcenniejsze są właśnie takie mosty: kiedy 2 niezależne intuicje nagle okazują się mówić tym samym językiem.

Najciekawszy nie jest sam fakt, że w pracy pojawia się nazwa modelu AI. Najciekawsza jest kolejność pracy. Autorzy opisują, że w pierwszej części rozmowy model miał analizować równania różniczkowe numerycznie i napisać kod w C++, który pozwolił sprawdzić hipotezę z wysoką precyzją. Dopiero pod koniec poproszono go o dowód analityczny.

To bardzo brzmi jak bardzo ludzki styl pracy naukowej. Najpierw sprawdzamy, czy wynik rzeczywiście wygląda stabilnie. Potem próbujemy zobaczyć strukturę. Dopiero później szukamy dowodu. Claude nie został więc potraktowany jak magiczna wyrocznia, tylko jak bardzo szybki współpracownik od rachunków, eksperymentów numerycznych i przekształceń.

Rozmowa miała zawierać 40 promptów. To też istotne. Nie mówimy o jednym pytaniu w stylu: udowodnij trudne twierdzenie i jednym genialnym wyjściu. To był dialog, w którym człowiek kierował problemem, sprawdzał efekty, wskazywał błędy, a model odpowiadał kolejnymi wersjami rozumowania.

Praca znajduje się na arXiv, a więc jest preprintem. To normalny sposób szybkiego komunikowania wyników w fizyce i matematyce, ale nie oznacza automatycznie, że cała społeczność już wszystko zaakceptowała. Dowód będzie czytany, sprawdzany i komentowany przez ekspertów.

Autorzy sami zaznaczają też ograniczenia. Nie budują od zera pełnej, rygorystycznej konstrukcji całej teorii fullRSB dla twardych sfer. Pewne elementy, takie jak istnienie profilu fullRSB, zbieżność rozwinięcia skalującego czy sama konstrukcja reżimu dopasowania, są przyjęte jako dane z wcześniejszej teorii i potwierdzeń numerycznych. Nowa praca dokłada algebraiczną tożsamość i argument, który domyka wybór fizycznie istotnej gałęzi.

Przeczytaj także:

To nie umniejsza oczywiście wyniku. Wręcz przeciwnie, pokazuje, że nie mamy do czynienia z bajką, że AI rozwiązała fizykę, tylko z rzeczywistym, technicznym krokiem w istniejącym programie badawczym.

*Źródło zdjęcia wprowadzającego: sasirin pamai, Shutterstock / Canva Pro