Transcription
我将穿插我所做的、人们所熟知的大型研究项目，以及人工智能在我们工作中所发挥的作用。但我希望在此过程中，能对人工智能在物理学中的应用进行一些反思，以及为什么在某些方面，物理学可能没有像人们想象的那样产生巨大的影响。
如果我们回顾上个世纪，看看技术的发展，其中很大一部分都始于最基础的物理学。激光的发明源于爱因斯坦的一个概念，核磁共振成像仪则源于核物理学的另一个概念，这两项都获得了诺贝尔奖，后来人们才发现它们有实际应用。人工智能进入物理学领域的时间要晚得多。我们在各处都使用它，但我认为它并没有真正推动科学向前发展。我将解释为什么我认为这是真的，以及问题所在——不，不是问题，而是局限性。
我们从牛顿时代开始，物理学才真正成为一门学科。牛顿教导我们科学方法，作为一种确定我们在实验室或头脑中开发的东西是否真实的方法，通过与一套标准进行测试。而在20世纪，这一点被取代了。我们仍然使用科学方法，但不再是牛顿的步骤。取而代之的是，我们用来确定我们科学上所做的事情是否真实、是否是科学突破、或者我们打算构建一个科学设备并试图定量确定它的主要工具是统计学。我们使用统计显著性来衡量某事是否是一个真实事件。
传统上，将人工智能或机器学习应用于物理学的真正局限性在于，它们基本上是相互排斥的。我们使用的神经网络，例如，是一个黑箱，我们无法确定其统计显著性。所以，如果你看看希格斯玻色子的发现，我知道所有背景工作，我们查看所有内部笔记，知道像这样的现代技术在确定它是否正确方面使用了多少，但在向同事展示时。
如果你看看希格斯玻色子的发现，传统统计技术被用来证明它是五西格玛。所以问题是，我记得马克斯·德尔布吕克来到加州理工学院的那一天，他是由我们当时的校长默夫·戈德伯格带来的，他之前从普林斯顿来，并把他带到了物理系。我作为一名年轻的教职员工，试图与他合作，告诉他粒子识别，无论你在探测器中看到的是π介子、K介子、电子还是光子。无论你使用什么神经网络或嵌套神经网络，都无法给出任何概率。所以，基本上我们一直都是通过统计技术来完成的。
因此，这就是局限性，至今仍然如此。这就是为什么我在这里提出人工智能在物理学中扮演的角色。它现在开始在日常生活中扮演重要角色，我将在我们的实验中指出这一点，但它不像可能的那样基础，因为它与当今版本的人工智能无关。这就是局限性，或者说我将要讲的重点。
这是引力波的发现，这是我们大约20年前写在《物理评论快报》上的照片。抱歉，是10年前。这是两个黑洞合并的图像。从左到右的尺度是千分之二秒。垂直尺度才是令人印象深刻的。这是一个有很多零的数字，10的-21次方。因此，我们能够制造一个仪器，能够测量一个达到10的-21次方分之一的效应。这就是仪器，我将不再详细介绍。
之所以有两个图，是因为为了获得信心和其他原因，我们建造了两个不同的探测器。部分原因是使用两个或三个探测器来定位天空中的某个位置。从左到右的尺度是合并。它们靠得越近，信号就越大，然后它们合并在一起。
所以，我们用来寻找这个的传统技术叫做模板库。我们使用爱因斯坦的方程计算两个黑洞或黑洞与中子星之间所有可能的运动学配置。我们制作大约25万个模板，覆盖我们仪器能够覆盖的参数空间。然后，我们将计算出的模板与数据进行比较，每块数据比较25万次。基本上，事件就是在这里被发现的。
在人工智能领域，我们现在使用人工智能，但我称之为次要方式。我们使用卷积神经网络，在模拟波形上进行训练，这使我们能够更快地完成这项工作。对我来说，这不是革命性的进步。但通过更快地完成，它使我们在引力波方面能够更快地做出决定，告知天文学家我们是否看到了什么，他们可以转动他们的仪器，看看我们正在看什么。
所以速度很重要。速度是我们能获得帮助的东西。这是我们现在使用这些技术以及实时识别的方面之一，低延迟使我们能够开始人们所说的多信使天文学。也就是说，我们在太空中看到相同的现象，并以各种电磁相互作用波、可能的中微子和引力波来观察它。这就是目标，这就是我们快速行动的原因。
这是LIGO本身。它是一个非常大的仪器，尽管它如此精确。它的臂长为四公里，有两个。一个在华盛顿州的汉福德，一个在路易易斯安那州的利文斯顿。还有一个在意大利比萨附近，技术设计略有不同，但这对于今天来说不重要。
我们在20世纪90年代初向国家科学基金会提出了这个想法。他们同意了。政客们同意资助时，他们把我们的提案用于在靠近加州理工学院的欧文斯谷附近的一个地点和一个在新罕布什尔州南部的地方，出于政治原因，他们轮流进行。但他们资助了。
那么，任务就是实际比较和测量一个10的-21次方分之一的效应，这相当于千米大小的设备，是10的-18次方米中的几个部分。为了做到这一点，简单总结一下最大的挑战是，我们必须进行干涉测量。这里很多人可能在本科学校的实验室里见过。我们必须在比较两个臂的光线，光线向下传播然后返回，达到波长的10的-12次方分之一。这比人们用干涉仪做过的要好七八个数量级。所以有很多技巧我不会讲。
第二件事是，即使LIGO在地球表面，主要问题是地球。地球在震动。它并不那么坚固。我们必须基本上让它漂浮或将其与地球隔离。同样，将地球的振动减少到10的-12次方分之一。如果我总结一下，这两大问题花了我们很多年才解决，或者做得足够好，以至于我们能够进行探测。
所以，我们进行了第一次探测。如果你看看，那是两个黑洞的合并，你可以在左边的表格中看到。一个质量是太阳的36倍。另一个是太阳的29倍。加起来是65。你会注意到我们测量的最终质量是62，这意味着大约三倍太阳质量的能量以引力波的形式释放出来。
我们后来探测到了它。距离是12.2亿光年。如果我们将其转换为地球表面的情况，我们正从单细胞生命进化到多细胞生命。所以，当信号到达我们时，我们已经进化了，并能够探测到它。
所以，现在的进展，这是我们开始的地方，我刚才展示的没有人工智能或机器学习。但是，我们一步一步地引入了现代工具，这些工具帮助了我们。也许最重要的一项是能够快速做出关于某物来自何处的决定，以便我们能够进行所谓的“多信使天文学”。也就是说，我们在地球上的三个不同地点进行测量，并试图快速可靠地确定我们看到了引力波信号，并向天文学界发出警报。
最后，我们使用统计技术，因为我们需要足够的可靠性，这样天文学家就不会在我们说“哎呀，我们错了”而他们转动仪器时失去信心。但是我们使用现代人工智能和机器学习技术来实际进行计算。
>> 一个问题。他们需要多快地转向，才能看到他们是否会错过？
>> 我们试图，我想我下一张幻灯片上会有。如果没有，我会说我们在一两分钟内做出决定。转动仪器可能需要一个小时。信号根据频率的不同可以持续数周。所以这取决于是什么。但我们想在几秒钟内做出决定，然后我们必须能够说“哎呀，我们错了”，并且不要经常这样做，也许半小时后，这样他们就没有做太多，只是动员了，但还没有投入很多精力将望远镜转向某个方向。
这是另一个，这是我们在多信使天文学中看到的第一个，也许也是最重要的事件，即两个中子星的碰撞。左边显示了三个或四个图，最下面的一个图是引力波。这是一个时频图，你看到图上这条小线是LIGO看到的引力波信号，在LIGO中非常清晰。我不会详细介绍。
如果我们将其投影到时间上，这些是观测高能伽马射线的卫星。所以，如果你看最上面一个或第二个，大约一秒半或两秒内，它们也看到了一个信号。这就是我们有信心向天文学界发出警报的原因。
一个题外话是，我们预计当引力波发射时，这与引力相互作用有关，这应该比任何核物理都早一点，它会发射光子。这是在合并之后，核物理才出现。所以，在几秒钟内是合理的。但我们从分析这个事件中知道，它来自一个1.5亿光年外的OB星系。1.5亿光年是1.5 x 10的15次方秒。所以，在这个小图上，我们展示了光和引力波以相同的速度传播，误差在10的15次方分之一左右。
所以，我们通知了整个社区。他们可以确定它来自哪个星系。我快没时间了，所以我会加快一点。然后，它在所有频率上都被观察到，以回答前面排的关于几天后看到无线电波的问题。然后，所有这些都被分析了，这就是多信使天文学的力量，以了解两个中子星碰撞时会发生什么。
它符合文献中称为“千新星”的模型。每个人都听说过“超新星”。那是当一颗恒星因自身原因坍缩，燃烧完燃料并坍缩时。这是“千新星”。千新星有一个有趣的效应。所以，千新星就是我们看到的。一旦我们看到它，你就可以计算出千新星本身会发生什么，它解决了科学运作中的一个问题，这与物理学无关，而是我记得在我读研究生时的一个地质学问题，那就是宇宙主要由氢和氦组成，否则就有恒星，恒星含有一些较重的元素，它们通过聚变过程燃烧。所以，我们通过恒星中的聚变过程制造更重的元素，但聚变过程只适用于铁。所以，我们无法通过这个简单的论证来解释我们最喜欢的金属，如我们如此喜爱的金和铂，是如何进入地球的。
所以，这个我作为学生学到的关于重元素来源的论证可能是错误的。正确的论证是，早期中子星碰撞并产生了这些重元素，这说明了科学有时可以从你正在做的事情中走得很远，只要你保持开放的心态。所以，事实是，在这个超新星模型中，它产生了100个地球质量的金。
所以，这就是我们现在用来使仪器甚至更灵敏的论证。现代技术称为压缩光，这是一种量子效应，我不会讲。灵敏度越来越高，以便在如何做压缩光这样的事情的建模中做到这一点。即使能够看到引力波是一个巨大的成功，左边的图显示了自那时以来我们改进了多少。斜率是事件数量与时间的关系。我们现在有接近300个事件，斜率的变化在那里列为01023。我们基本上进行了观测运行一、观测运行二、观测运行三。在此期间，我们改进了东西，使仪器更好，斜率也更高。
一个比较。一是我们获得了更多事件。二是它们更干净。我在这里选择了一个最近的事件，不到一年前的事件，它与我们看到的第一个事件的参数大致相同。但你看，第一个事件有很多噪音，而这个事件噪音很少。这使我们能够获得更干净的事件，并且在这种情况下，我们能够测试一个我们无法通过霍金的理论或早期数据来测试的基本定理。
所以，现在我们有数百个事件，我们可以与各种天文模型进行比较，而且只会越来越好，我们还有一些我们仍在研究的事件。左上角是我们能够对广义相对论进行的测试。到目前为止，我们没有发现任何违反广义相对论的情况，并且能够设定一个关于是否存在一种叫做引力子的东西的极限，它可能以非常小的水平10的-23次方存在。
左下角的事实是，正如你可能预期的那样，在几百个事件中，有一些我们无法真正解释。我将告诉你那是什么，那就是它们可能是测量误差。它们可能是真实的。 at this point we just take it as an observation.
我们知道天空中存在一种基本物体，叫做中子星，其质量是地球的1.44倍，信号相当小。比这更重，我们所知的唯一存在的物体是黑洞。黑洞只有比某个极限重时才能成为黑洞，这个极限已经被计算出来。它通常是大约六个太阳质量。所以，在1.4个太阳质量和6个太阳质量之间，不应该有任何东西。但我们有几个事件。所以，我们还不确定这是否意味着什么，但这就是我们所拥有的。
现在，在人工智能和机器学习方面，我们正在广泛使用它来帮助弄清楚如何制造更好的探测器。这是渐进的。正如我所说，我们正在将其用于光学设计。我们正在将其用于信号处理优化，它是所有工程设计中的一个核心工具。
我们现在有一个下一代探测器的概念。在当前环境下，它没有被提议资助，因为在当前情况下，资助机构有点瘫痪。
最后一件事，对我来说也许是问题的核心，是我们一直想弄清楚宇宙是如何开始的，以及它在早期是如何演化的。我们没有好的工具来做到这一点。我们拥有的最好的工具是所谓的宇宙微波背景。在那里，我们观察宇宙微波背景的形状，并得到一张宇宙在大爆炸后38万年时的照片。比这更早的，我们所知道的关于最初的时刻是一个谜。事实是，它似乎增长得非常非常快，人们可能听说过“暴胀”这个词，而我们无法探测到它。
那么，有两种可能的方法可以做到这一点。一种是利用中微子。在大爆炸的非常早期阶段产生了大量的中微子。但问题是，这些中微子已经热化，能量非常低，目前我们没有可行的方法来探测它们。也许有一天会有，但不是现在。
观察最早阶段的最好方法是引力波，它将追溯到宇宙创造的最早时期。而我们还不知道如何做到这一点。这意味着探测比我们已经探测到的频率低得多的引力波。所以，相反，我们目前对早期宇宙的最佳描绘是通过结合你听说过的所有东西，这就是图中的内容。
如果你看左边写着“强子对撞”的部分，那是描述早期宇宙的密度与温度图的一部分。这由欧洲核子研究中心的“大型强子对撞机”覆盖。下一个写着“重离子碰撞”的部分是布鲁克海文国家实验室正在做的事情，他们碰撞重离子来进行核物理研究，但基本上覆盖了图的这一部分。然后，如果你向下移动到更右边的部分，那就是通过研究中子星碰撞的引力波来覆盖的部分。所以，间接地，我们正在描绘一幅相当不错的早期宇宙图景。但直接而言，这仍然是未来的事情。这就是我所拥有的全部。
[掌声]
我有一个问题。
嗯，很棒的演示，嗯，嗯，你知道，真的很有趣的分享。不，事实上，爱因斯坦在1915年的一篇关于广义相对论的论文中就预测了引力波，而你们花了100年，一点点，100年，2015年，那时你们才探测到它。所以，我想问的是，当你们最终做到的时候，最让你们惊讶的是什么？
>> 嗯，所以问题是，在100年后，你们有各种各样的想法，也许你们会看到什么，如果你们看到引力波。我们，我们还没有学到，我不能很好地回答你的问题，因为我们才刚刚开始。我们能够看到，并没有什么大惊喜，我们能够看到两个物体碰撞，以及它们的合并。那是中子星，我们本来就知道的，还有黑洞。但我们不知道这些黑洞来自哪里。所以，我们现在最大的问题是黑洞的起源是什么？我们有巨大的黑洞位于星系中心。但这些黑洞比那要轻。它们是太阳质量的几百倍，或者什么的。它们从哪里来的？它们是在宇宙开始时形成的原始黑洞吗？它们是由某种动力学机制形成的，在宇宙早期变得如此重吗？还是由恒星坍缩形成的？最流行的观点是它们来自燃烧完燃料并坍缩形成黑洞的重恒星。问题是，我们看到一些太重了，无法用这种方式解释。所以这很难，因为如果恒星变得非常大，它们就不稳定。所以，比太阳质量大约50倍重的恒星是极限。但我们已经看到不少事件，其质量接近太阳质量的100倍。所以这造成了一个问题。
我刚才提到的第二个地方是，我们看到了一些事件，分析这些事件时，它们既不是中子星也不是黑洞，而是介于两者之间。我们还不理解那些。所以我们还有很多工作要做。
>> 问题。
>> 你简短地提到了去噪。我提到了什么？
>> 噪音。
>> 是的。
>> 好的。我喜欢噪音。有人告诉我，第一个黑洞是使用，天哪，我的算法恢复的。所以，常规数学在你们的工作中扮演什么角色，比如高级信号处理之类的？
>> 是的，嗯，嗯，我们首先是高级数学，如果它包括求解爱因斯坦方程，尤其是在强场极限下。答案当然是肯定的。
>> 不是那么高级的算法来处理噪音之类的。
>> 我们是的，嗯，为了理解噪音，噪音的非高斯特征，我们使用高级建模来做到这一点，全变分。
>> 是的。
>> 问题。
>> 所以，所以，作为另一位物理学家，我很好奇，在你的整个演讲中，我同意你的观点。你说物理学中没有真正的人工智能进步。那么，你认为障碍是什么？你认为人工智能需要做什么才能克服这个障碍？
嗯，理想情况下，我们必须找到某种联系，利用我们拥有的巨大力量，不仅在我们所做的事情上，而且在统计学方面。对我来说，事实是，目前这两者是完全独立的主题。你如何让它们足够接近，能够相互交流，以便我们能够使用某种技术，它能给我们提供一定程度的信心，而不仅仅是一个完全的黑箱，比如嵌套神经网络。所以，我认为这就是挑战。
>> 那里有个问题。
>> 我有一个更普遍的问题。有没有什么基础让我们相信，有一天我们能够调制引力波？
>> 我们能够做什么？
>> 调制它们。
>> 是的。
>> 嗯，我不知道。[笑声]我的意思是，你提出了一个重要的观点，即物理学的发现依赖于老式的统计学，因为我们可以非常精确地量化不确定性。我的意思是，这是一个前沿领域，当然没有达成共识，但在物理学中，存在非常复杂的现象，数据本身也非常复杂，比如海洋湍流、冲击波和星系，甚至是宇宙的大尺度结构图。还有另一种方法，那就是生成前向模型模拟，并生成许多噪声和不确定物理的实现，通过将它们与测量值进行比较，你可以得到一个相当好的不确定性估计，尽管不如那么好。所以，这是一个让我着迷的领域。有趣的是，在社会学方面，我最近在一次会议上询问了宇宙学家。略多于一半的人表示，如果这个过程产生了一个结果，无论如何我都不相信。
但我想我们正处于这个过渡点。只有略多于一半的人，不用说，还有...
>> 不是epsilon，是50%。先生，
>> 你好，很高兴再次见到你。这是一次很棒的演讲，实际上，我有一个关于其中一张幻灯片的问题，你提到了参数估计。估计额外的候选者需要数小时甚至数周甚至数月。所以我的问题是，你认为在这种情况下，瓶颈是什么，就通信能力而言？换句话说，你认为超大规模数据中心，现在人们谈论的，能帮助在这个领域加速吗？
>> 嗯，第二个问题是，我们能否将这种计算能力转移到太空轨道，以帮助减少[鼻息声][咳嗽和清嗓子]延迟，这样我们就可以提供实际的中心检测数据，这些数据将通过望远镜获取，并立即...
>> 我错过了你关于太空的第一句话，你说的是什么？把仪器搬到太空。
>> >> 不是仪器，是数据中心。
>> >> 哦，数据中心。
>> >> 是的。
>> >> 是的。我不知道，我们正在把仪器搬到太空。这就是为什么我问你，有一个很大的项目正在资助，在欧洲，计划在2035年左右在太空部署一个引力波探测器。这是欧洲所谓的基石任务之一。NASA在其中扮演着微小的角色，这与我们所做的非常互补，并且朝着我认为的最终目标前进，即非常低的频率，在那里你可以观察早期宇宙，它观察的频率比LIGO低得多。LIGO观察的是音频频段，那是地球足够安静的地方，但我们与音频无关，但我们能够相互沟通的原因是地球足够安静，那是音频频段。所以，我们工作在进化为我们耳朵与我们交流的相同区域，但在太空中，你可以达到低得多的频率，那里有更多的现象会产生引力波。
好的，快速说一下。我一直以为LLM的基础是统计学和概率以及这些科学的预测。所以，他们正在做的事情和你所说的将推动物理学发展的统计学之间的差距在哪里？
嗯，在我们的案例中，我们必须达到一个水平，在那里我们能够给出一些传统的概率，即某事是正确还是错误的。而这正是统计学通常发挥作用的地方。所以，如果我们想说一些平凡的事情，比如通过探测器的是π介子还是K介子，我们会给出一个统计概率，表明它是K介子，或者统计概率表明它是π介子。如果差异足够大，那么我们就决定我们知道或不知道，或者制造一个更好的仪器。所以，我们以这种方式使用它。传统上，正如我所说，在我看来，这是使用嵌套神经网络来区分π介子和K介子的主要障碍，尽管它可能更好。我们没有我们依赖的信心。所以，我们必须重新适应，要么不使用统计学，要么找到其他方法。但我认为，是什么阻碍了我们在物理学或化学等领域取得像其他领域那样大的进步，而我们在技术方面领先而不是落后。我们需要找到一种方法来绕过这种对统计学的依赖。
好的，我们来看看。