Физика частиц в 2026 году – это гигантский детектор тишины. Бозон Хиггса нашли в 2012-м. С тех пор Большой адронный коллайдер (БАК) выдаёт петабайты данных, но Стандартная модель стоит как монолит. Ни тёмной материи, ни суперсимметрии, ни намёка на то, что лежит за горизонтом.
Учёные десятилетиями строили гипотезы и искали их подтверждение. Теперь они смотрят на горы данных и говорят: «Может, мы ищем не там?»
И тут появляется ИИ. Не для подтверждения теорий, а для их опровержения. Его задача – найти в данных то, что выбивается. Не отклонение на 5 сигм, которое мы ожидаем, а странность, которую никто не предсказал. Аномалию без названия.
Металлоискатель в космическом песке
Представьте, что вы ищете иголку в стоге сена. Обычный подход – знать, как выглядит иголка, и методично просеивать солому. Физики так и делали: моделировали ожидаемые сигналы от новых частиц и сравнивали с данными. Результат – нулевой.
ИИ подходит иначе. Он не ищет иголку. Он изучает весь стог и находит всё, что на иголку не похоже. Всё, что странное. Камешек. Скрепку. Странный кусок пластика. Это anomaly detection – обнаружение аномалий методами машинного обучения без учителя (unsupervised learning).
В 2026 году этот подход стал основным в анализе данных RUN 4 БАК. Коллаборации ATLAS и CMS официально интегрировали пайплайны на основе автоэнкодеров и графовых нейросетей (GNN) в свой стандартный рабочий процесс. Используется PyTorch 2.5 с нативными оптимизациями для научных данных в формате ROOT.
Работает это так. Берутся данные с детектора – миллионы столкновений протонов. Каждое событие – это облако треков и энерговыделений в калориметрах. Нейросеть (чаще всего вариационный автоэнкодер или трансформер с механизмом внимания) обучается на «нормальных» событиях, которые прекрасно описываются Стандартной моделью.
Её задача – научиться сжимать и восстанавливать эти события с минимальной ошибкой. После обучения сеть прогоняет новые данные. Если событие типичное – сеть его легко кодирует и декодирует. Ошибка реконструкции мала.
А если в данных затесалось что-то невиданное? Скажем, распад на пять мюонов с невероятным угловым распределением? Сеть никогда такого не видела. Она не может это правильно восстановить. Ошибка зашкаливает. Вот она – аномалия.
Так в 2025 году алгоритм на основе архитектуры AnomalyGPT-4 (специализированная версия для многомерных физических данных) выцепил кластер событий в канале распада на четыре b-кварка. Ни одна из существующих симуляций так не предсказывала. Физики до сих пор ломают голову: статистическая флуктуация, неизвестный фоновый процесс или щель в Стандартной модели? Об этом подробнее в нашем материале про ИИ в БАКе.
Охота на «неизвестные неизвестные»
Anomaly detection – это только первый уровень. Он находит то, что выбивается из известных паттернов. Но что, если новая физика ведёт себя не как аномалия, а как едва уловимое искажение всех паттернов сразу? Как лёгкая рябь на всём полотне данных.
Вот здесь начинается самое интересное – поиск «неизвестных неизвестных» (unknown unknowns). Мы не только не знаем ответ, мы не знаем, какие вопросы задавать. ИИ здесь выступает как генератор гипотез.
Современные подходы на начало 2026 года:
- Диффузионные модели для генерации «странных» событий. Нейросеть изучает распределение реальных данных и начинает генерировать новые, правдоподобные, но слегка «сдвинутые» события. Физики затем смотрят, можно ли эти сгенерированные события получить в рамках расширений Стандартной модели. Если нет – перед нами кандидат на совершенно новое явление.
- Контрастное обучение (contrastive learning). Сеть учится размещать похожие события близко в абстрактном пространстве, а непохожие – далеко. В результате кластеризации в этом пространстве могут возникать группы событий, которые не соответствуют ни одному известному процессу. Именно так в прошлом году нашли загадочный кластер в данных LHCb.
- Символьная регрессия с помощью крупных языковых моделей. Такие модели, как PhysLLM-7B (дообученная на физических статьях и данных), пробуют подобрать аналитическую формулу, которая лучше всего описывает отклонения в данных. Иногда это приводит к появлению новых, элегантных инвариантов.
Ловушка для гениев: почему ИИ может всё испортить
Энтузиазм зашкаливает. Но давайте начистоту. ИИ в фундаментальной науке – это чёрный ящик, ищущий закономерности в шуме. Он отлично находит корреляции. Но физика ищет причинно-следственные связи.
Сеть может выделить аномалию. Но это может быть банальная ошибка детектора. Или артефакт претриггерной обработки данных. Или, что хуже всего, статистическая флуктуация, которую ИИ, обученный на поиск паттернов, inevitably возведёт в ранг закономерности.
Есть и более глубокая проблема. ИИ, обученный на данных, порождённых Стандартной моделью, может иметь скрытую предвзятость. Он будет считать «нормальным» только то, что уже видел. Риск пропустить действительно радикально новое – огромен. Это как пытаться предсказать квантовую механику, изучая только законы Ньютона.
Феномен «вайб-физики» – когда нейросеть генерирует убедительно выглядящие, но абсолютно бессмысленные научные выводы – уже реальная угроза. Некритичное доверие к машинному «озарению» может породить целое поколение мнимых открытий. Подробнее об этой опасности мы рассказывали в отдельном материале.
Поэтому в 2026 году золотым стандартом стала трёхэтапная проверка: 1) ИИ находит кандидата-аномалию, 2) независимая команда физиков пытается убить эту аномалию, проверяя все мыслимые инструментальные и статистические объяснения, 3) только после этого результат выносится на обсуждение как потенциальное открытие.
Что дальше? ИИ как со-теоретик
Следующий шаг, который активно тестируют в ЦЕРН и Fermilab, – это закрытие петли между анализом данных и теоретической физикой. Система работает в реальном времени:
- ИИ обнаруживает статистически значимое отклонение.
- Другая нейросеть, обученная на тысячах статей по физике частиц (например, на базе arXiv-GPT-NeoX), генерирует набор возможных теоретических интерпретаций – от простых расширений Стандартной модели до спекулятивных идей из теорий струн.
- Третья система симулирует, как эти новые модели будут выглядеть в детекторе, и сравнивает симуляции с исходной аномалией.
- Лучшая гипотеза возвращается физикам-теоретикам для критической оценки и… написания статьи.
Звучит как научная фантастика? Но прототипы таких систем уже работают. Они медленные, дорогие и часто ошибаются. Но они работают.
Физика стоит на пороге смены парадигмы. Раньше мы строили теории и проверяли их на эксперименте. Теперь эксперимент, вооружённый ИИ, может генерировать теории сам. Риск – получить гору красивого, но бессмысленного матаппарата. Награда – возможность наткнуться на ту самую «неизвестную неизвестную», которая перевернёт всё.
Совет от тех, кто в теме: не ждите, что ИИ в ближайшие годы откроет тёмную материю. Ждите, что он найдёт десятки странных, необъяснимых «глюков» в данных. И именно среди этих глюков, в этом цифровом мусоре, и будет спрятана следующая великая теория. Просто мы пока не знаем, как она выглядит. Но ИИ, возможно, уже увидел её краем своего внимания.
