编辑丨%
在物理学史上，实验设计往往需要研究者穷尽想象、反复试错：从光学元件的排布到粒子探测器的细微调校，无不凝聚着科学家的智慧与汗水。
但如今，人工智能（AI）正作为新的「合作者」，通过奇妙的「俺寻思」之力（whatever but works），以超越常规思维的方式，推动实验物理进入「怪异却奏效」的全新时代。
LIGO灵敏度优化
加州理工学院（California Institute of Technology），主持 LIGO（激光干涉引力波天文台）优化的物理学家 Rana Adhikari 和同事，向 AI 求助以期突破 2015 年首波引力波探测后的瓶颈。
他们将 LIGO 可用的透镜、反射镜、激光等元件反馈给由 Mario Krenn 团队开发的量子光学实验设计软件。在最初，AI 提出的几百公里环形臂与千余元件的组合方案，看似异想天开，却隐藏深意。
研究团队经过数月逐步解析后发现，AI 在主干涉仪与探测器之间增加了 3 公里环形腔，有效循环光场，利用几十年前俄罗斯物理学家提出的噪声抑制原理，将量子噪声降低到前所未有的程度。
相关链接：https://arxiv.org/abs/2312.04258
图示：位于路易斯安那州利文斯顿的探测器。
Adhikari 表示：「如果当初在建造 LIGO 的时候就采用 AI 的话，它的灵敏度应该能提升 10%~15%」。在亚质子精度的世界里，这相当于在次质子级的测量中多探测到一成的信号强度，提升幅度非常巨大。
量子光学的意外之喜
在描述我们的日常世界的经典物理学中，每一个物体都有其明确的属性，独立于观测。但是在量子世界中，情况却并非如此。量子对象由一个称为量子态的数学实体来描述。人们所能做的最好的事情就是使用这个态来计算当你在某个位置寻找这个对象时，它出现在那个位置的概率。
更别提多个量子共享单一的量子态，光子成对纠缠等。
在美国另一端，图宾根大学（University of Tübingen）的 Mario Krenn 团队使用名为 PyTheus 的软件，开始尝试让 AI 重新设计 1993 年 Zeilinger 团队提出的量子「纠缠交换」（entanglement swapping）实验。
AI将光路、晶体、探测器等要素抽象为图论节点，目标态为「无共同历史的两粒子纠缠」。最终输出的方案与 Zeilinger 的经典设计判若两实验，结构更为简洁——仅需四块晶体和三组光路分支，便能实现同样的纠缠形成。
相关链接：https://arxiv.org/abs/2210.09981
2024 年 12 月，南京大学的 Xiao‑Song Ma 团队率先在实验室复现，结果显示两粒子间保持了超过 90% 的纠缠保真度，验证了 AI 设计的可行性与高效性。这样的成果不仅节省了 40% 以上的实验复杂度，也为量子通信与量子网络节点搭建提供了全新思路。
物理中的探秘
AI 能帮助到物理学家的不只是设计实验，结果解析也在它的工作范畴之中。
威斯康星大学麦迪逊分校（UW–Madison）的 Kyle Cranmer 利用机器学习模型对暗物质团块密度进行预测，基于邻近团块的观测属性，模型自动拟合出一条新公式，其预测误差比传统经验公式降低了 15%。
图示：如何从数据集中提取物理方程的图片描述。（图源：相关链接）
相关链接：https://arxiv.org/abs/2006.11287
加州大学圣地亚哥分校（UCSD）的团队则将 AI 应用于大型强子对撞机（LHC）数据，机器学习模型在未告知物理背景的情况下，成功推导出了洛伦兹对称性，验证粒子产生率与地球自转无关，充分体现 AI 在挖掘复杂高维数据中「零假设」探测的潜能。
相关链接：https://arxiv.org/abs/2310.00105
在这些案例中，AI 并非单纯代替人类，而是以「怪异」的解决方案，激发科学家重新审视领域边界。正如 Caltech 的 Aephraim Steinberg 所言：「当一个团队思考数十年未能想到的设计，被AI突现，我们才意识到探索的深度仍有无穷空间。」
