Когда две частицы сталкиваются и разлетаются, физики записывают результат как сложную математическую формулу. Таких формул много, и между ними есть невидимые связи — как между разными рецептами одного блюда: меняешь порядок действий, а вкус тот же. Раньше эти связи выводили вручную, тратя месяцы и годы.
Теперь за это взялась программа, которая ищет закономерности в числах. Ей дали только результаты расчётов столкновений — без всяких объяснений. Программа сама переоткрыла знаменитые соотношения, которые связывают разные описания одного и того же столкновения. Одно из них — связь между теорией гравитации и теорией сильных взаимодействий внутри ядра.
Метод работает для пяти частиц в столкновении. Для большего числа частиц пока мешают технические сложности, но авторы уже видят, как их обойти. Главный вывод прост: машина может искать скрытые правила в физике без подсказок человека. Это значит, что так можно проверить и новые, ещё не изученные теории.
как её написали авторы, на английском arXiv:2602.15169
We demonstrate that modern machine-learning methods can autonomously reconstruct several flagship analytic structures in scattering amplitudes directly from numerical on-shell data. In particular, we show that the Kawai--Lewellen--Tye (KLT) relations can be rediscovered using symbolic regression applied to colour-ordered Yang--Mills amplitudes with Mandelstam invariants as input features. Using standard feature-selection techniques, specifically column-pivoted QR factorisation, we simultaneously recover the Kleiss--Kuijf and Bern--Carrasco--Johansson (BCJ) relations, identifying a minimal basis of partial amplitudes without any group-theoretic input. We obtain the tree-level KLT relations with high numerical accuracy up to five external legs, using only minimal theoretical priors, and we comment on the obstacles to generalising the method to higher multiplicity. Our results establish symbolic regression as a practical tool for exploring the analytic structure of the scattering-amplitude landscape, and suggests a general data-driven strategy for uncovering hidden relations in general theories. For comparison, we benchmark this general approach with a recently introduced neural-network based method.
Одно из найденных соотношений связывает силу гравитации и силу, удерживающую кварки внутри протона — два, казалось бы, совершенно разных мира.
В сериале «Основание» Гэри Селдон использовал математику для предсказания будущего — здесь машина ищет математические правила, скрытые в данных о прошлом.