Τα τελευταία δύο χρόνια η σχέση της Τεχνητής Νοημοσύνης με τη Φυσική άλλαξε ουσιαστικά. Τα εργαλεία που παρουσιάσαμε στα προηγούμενα άρθρα, όπως τα DeepXDE, NeuralPDE.jl, TorchPhysics, NetKet, SchNetPack και οι βιβλιοθήκες επιστημονικής μηχανικής μάθησης, παραμένουν χρήσιμα. Το νέο στοιχείο όμως είναι ότι η ΤΝ μετακινείται από το επίπεδο της μεμονωμένης βιβλιοθήκης σε τρεις νέες κατηγορίες: θεμελιώδη μοντέλα ειδικά για επιστημονικά πεδία, μεγάλα γλωσσικά μοντέλα με δυνατότητες μαθηματικού συλλογισμού και ερευνητικούς πράκτορες που μπορούν να χρησιμοποιούν εργαλεία, να γράφουν και να εκτελούν κώδικα και να οργανώνουν σύνθετες εργασίες.
Θεμελιώδη μοντέλα για τη Φυσική
Μια από τις σημαντικότερες εξελίξεις είναι η εμφάνιση θεμελιωδών μοντέλων που εκπαιδεύονται εξαρχής σε μεγάλα σύνολα επιστημονικών δεδομένων. Η λογική είναι αντίστοιχη με εκείνη των μεγάλων γλωσσικών μοντέλων: αντί κάθε ερευνητική ομάδα να ξεκινά την εκπαίδευση ενός νευρωνικού δικτύου από το μηδέν, χρησιμοποιεί ένα ήδη εκπαιδευμένο μοντέλο και το προσαρμόζει στο πρόβλημά της.
Στη φυσική συνεχών μέσων, το Walrus της Polymathic AI είναι ένα μοντέλο 1,3 δισεκατομμυρίων παραμέτρων που έχει εκπαιδευτεί σε διαφορετικά φυσικά συστήματα. Συνοδεύεται από το The Well, μια συλλογή περίπου 15 TB επιστημονικών προσομοιώσεων που περιλαμβάνει ρευστά, μαγνητοϋδροδυναμική, ενεργό ύλη και αστροφυσικά φαινόμενα. Το PhysicsNeMo της NVIDIA έχει επίσης εξελιχθεί σε ολοκληρωμένο ανοικτό πλαίσιο για νευρωνικούς τελεστές, δίκτυα που ενσωματώνουν φυσικούς νόμους και γεωμετρικά νευρωνικά δίκτυα.
Στην ατμοσφαιρική φυσική και στην επιστήμη του κλίματος, το Aurora αποτελεί θεμελιώδες μοντέλο του γήινου συστήματος, ενώ τα WeatherNext και NeuralGCM συνδυάζουν τεχνικές μηχανικής μάθησης με τη φυσική μοντελοποίηση της ατμόσφαιρας.
Από τα υλικά μέχρι τη σύντηξη
Στη φυσική συμπυκνωμένης ύλης και στην επιστήμη υλικών η αλλαγή είναι ακόμη πιο εμφανής. Τα MACE, MatterSim, MatterGen, Orb και fairchem επιτρέπουν την πρόβλεψη ιδιοτήτων υλικών, τη μοριακή δυναμική και, σε ορισμένες περιπτώσεις, τον σχεδιασμό νέων κρυσταλλικών δομών. Μερικά μικρότερα μοντέλα μπορούν πλέον να χρησιμοποιηθούν ακόμη και σε συνηθισμένους υπολογιστές, γεγονός ιδιαίτερα ενδιαφέρον για εργαστήρια διδασκαλίας.
Στη φυσική πλάσματος και στη σύντηξη, το TORAX της Google DeepMind είναι ένας ανοικτός διαφορίσιμος προσομοιωτής μεταφοράς πλάσματος σε tokamak. Η δυνατότητα σύνδεσης τέτοιων προσομοιωτών με αλγορίθμους βελτιστοποίησης και ΤΝ δημιουργεί ένα νέο πεδίο για τον σχεδιασμό και τον έλεγχο πειραμάτων σύντηξης.
Στην αστροφυσική εμφανίστηκε το AION-1, ένα πολυτροπικό μοντέλο που μπορεί να επεξεργάζεται εικόνες, φάσματα και φωτομετρικά δεδομένα. Στα βαρυτικά κύματα, εργαλεία όπως τα DINGO και ml4gw χρησιμοποιούν νευρωνικά δίκτυα για πολύ ταχύτερη ανάλυση σημάτων από ανιχνευτές όπως οι LIGO και Virgo.
Οι πράκτορες ΤΝ μπαίνουν στο εργαστήριο
Η μεγαλύτερη ίσως αλλαγή αφορά τους πράκτορες ΤΝ. Δεν πρόκειται απλώς για ένα LLM που απαντά σε ερωτήσεις. Ένας πράκτορας μπορεί να χρησιμοποιεί βιβλιογραφικές βάσεις, Python, επιστημονικές βιβλιοθήκες, αρχεία δεδομένων και υπολογιστικές υποδομές και να εκτελεί μια ακολουθία ενεργειών για την επίλυση ενός προβλήματος.
Το CMBAgent ξεκίνησε από την κοσμολογία και οργανώνει πολλούς εξειδικευμένους πράκτορες που σχεδιάζουν και εκτελούν αναλύσεις. Το Denario επεκτείνει αυτή τη λογική σε ένα αρθρωτό σύστημα επιστημονικής έρευνας που μπορεί να κινηθεί από την αναζήτηση βιβλιογραφίας και τη διατύπωση μιας ιδέας μέχρι τον κώδικα, την ανάλυση και τη συγγραφή προσχεδίου.
Το PhysMaster είναι προσανατολισμένο ειδικά στη Φυσική και συνοδεύεται από το PRL-Bench, στο οποίο πράκτορες καλούνται να αναπαραγάγουν εργασίες ερευνητικού επιπέδου. Στη σωματιδιακή φυσική, το RooAgent επιτρέπει στον ερευνητή να χειρίζεται το ROOT με φυσική γλώσσα, δημιουργώντας ιστογράμματα, προσαρμόζοντας συναρτήσεις και οργανώνοντας αναλύσεις δεδομένων.
Αυτά τα συστήματα δεν αποτελούν όμως αυτόνομους «φυσικούς». Η πραγματική επιστημονική εργασία απαιτεί επιλογή προβλήματος, κατανόηση των φυσικών παραδοχών, σχεδιασμό πειράματος και ανεξάρτητη επαλήθευση. Τα σημερινά συστήματα μπορούν να επιταχύνουν σημαντικά τμήματα αυτής της διαδικασίας, όχι να καταργήσουν την ανάγκη του ερευνητή.
Ανοικτά LLM στον υπολογιστή του φυσικού
Παράλληλα, η ανάπτυξη ανοικτών μοντέλων συλλογισμού κάνει δυνατή μια διαφορετική αρχιτεκτονική. Τα Olmo 3 και Olmo 3.1 της Ai2 προσφέρουν μοντέλα 7B και 32B με ανοικτά δεδομένα, κώδικα, βάρη και ενδιάμεσα σημεία εκπαίδευσης. Τα Apertus, Qwen3 και Magistral προσφέρουν επίσης επιλογές διαφορετικού μεγέθους και βαθμού ανοιχτότητας.
Με εργαλεία όπως τα Ollama και llama.cpp, ένας φυσικός μπορεί να λειτουργεί ένα κατάλληλο μοντέλο τοπικά, να το συνδέει με Jupyter, βιβλιογραφία και δικά του δεδομένα και να δημιουργεί έναν προσωπικό επιστημονικό βοηθό χωρίς να αποστέλλει κατ’ ανάγκη τα ερευνητικά δεδομένα σε εξωτερική υπηρεσία.
Για την ανοικτή επιστήμη αυτό έχει ιδιαίτερη σημασία. Η δυνατότητα ελέγχου των δεδομένων, του κώδικα, των βαρών και της διαδικασίας παραγωγής ενός αποτελέσματος είναι πολύ πιο συμβατή με την επιστημονική αναπαραγωγιμότητα από ένα κλειστό σύστημα του οποίου η λειτουργία μπορεί να αλλάξει χωρίς ο ερευνητής να γνωρίζει πώς.
Η ΤΝ ως εργαστήριο διδασκαλίας
Οι ίδιες τεχνολογίες δημιουργούν νέες δυνατότητες στη διδασκαλία. Ένας φοιτητής μπορεί να συλλέξει πραγματικά δεδομένα από αισθητήρες, να χρησιμοποιήσει το PySR για να αναζητήσει μαθηματικές σχέσεις και στη συνέχεια να συγκρίνει την εξίσωση που προέκυψε με έναν γνωστό φυσικό νόμο. Με το PennyLane μπορεί να κατασκευάσει κβαντικά κυκλώματα, με το SeisBench να εργαστεί πάνω σε σεισμολογικά δεδομένα και με το TORAX να μελετήσει τη μεταφορά πλάσματος.
Η ενσωμάτωση του Ollama στο Moodle επιτρέπει επιπλέον σε σχολεία και πανεπιστήμια να πειραματιστούν με τοπικά γλωσσικά μοντέλα. Έτσι μπορεί να δημιουργηθεί εκπαιδευτικός βοηθός πάνω στο υλικό ενός μαθήματος, χωρίς η εκπαιδευτική διαδικασία να εξαρτάται υποχρεωτικά από μία εμπορική πλατφόρμα.
Η έρευνα, πάντως, επιβάλλει προσοχή. Ελεγχόμενες μελέτες έχουν δείξει ότι ένας κατάλληλα σχεδιασμένος βοηθός ΤΝ μπορεί να ενισχύσει τη μάθηση στη Φυσική. Άλλες έρευνες δείχνουν ότι όταν ο μαθητής χρησιμοποιεί γενικά εργαλεία ΤΝ για να πάρει έτοιμες απαντήσεις, η επίδοση κατά τη χρήση του εργαλείου μπορεί να αυξάνεται χωρίς αντίστοιχη αύξηση της ανεξάρτητης γνώσης. Η εκπαιδευτική αξία επομένως βρίσκεται στον σχεδιασμό της μαθησιακής δραστηριότητας και όχι απλώς στην παρουσία ενός LLM.
Το επόμενο βήμα είναι η επαληθεύσιμη ΤΝ
Η Φυσική έχει ένα πλεονέκτημα απέναντι σε άλλα πεδία: πολλά αποτελέσματα μπορούν να ελεγχθούν μαθηματικά ή πειραματικά. Το Physlib επιχειρεί να μεταφέρει ορισμούς, θεωρήματα και υπολογισμούς της Φυσικής στο Lean 4, ώστε οι αποδείξεις να ελέγχονται μηχανικά. Η σύνδεση γλωσσικών μοντέλων με τέτοιους μηχανισμούς μπορεί να αποδειχθεί σημαντικότερη από την απλή αύξηση του μεγέθους των LLM.
Το κρίσιμο ερώτημα, συνεπώς, δεν είναι αν η ΤΝ θα «αντικαταστήσει τον φυσικό». Είναι πώς θα δημιουργήσουμε ένα ανοικτό και επαληθεύσιμο επιστημονικό περιβάλλον στο οποίο ο φυσικός θα μπορεί να συνδυάζει προσομοιώσεις, πραγματικά δεδομένα, θεμελιώδη μοντέλα, γλωσσικά μοντέλα και πράκτορες, διατηρώντας τον έλεγχο της επιστημονικής μεθόδου.
Για τα σχολεία, τα πανεπιστήμια και τα ερευνητικά κέντρα, αυτή είναι ίσως η σημαντικότερη πρόκληση της επόμενης περιόδου: όχι απλώς πρόσβαση στην ΤΝ, αλλά πρόσβαση σε εργαλεία που μπορούμε να μελετήσουμε, να εγκαταστήσουμε, να τροποποιήσουμε, να επαληθεύσουμε και να μοιραστούμε.
Πηγές άρθρου:
- Ai2, Olmo 3 και Olmo 3.1: Πλήρως ανοικτή οικογένεια γλωσσικών μοντέλων με δημοσιοποίηση δεδομένων, κώδικα, βαρών και ενδιάμεσων σταδίων εκπαίδευσης, ιδιαίτερα χρήσιμη για αναπαραγώγιμη έρευνα σε LLM: https://allenai.org/blog/olmo3
- Polymathic AI, The Well: Ανοικτή συλλογή περίπου 15 TB δεδομένων επιστημονικών προσομοιώσεων για την ανάπτυξη και αξιολόγηση θεμελιωδών μοντέλων Φυσικής: https://github.com/PolymathicAI/the_well
- Polymathic AI, Walrus: Θεμελιώδες μοντέλο για συνεχή φυσικά συστήματα, σχεδιασμένο για μεταφορά γνώσης μεταξύ διαφορετικών προβλημάτων Φυσικής: https://github.com/PolymathicAI/walrus
- NVIDIA, PhysicsNeMo: Ανοικτό πλαίσιο επιστημονικής μηχανικής μάθησης για νευρωνικούς τελεστές, μοντέλα που ενσωματώνουν φυσικούς νόμους και γεωμετρικά νευρωνικά δίκτυα: https://github.com/NVIDIA/physicsnemo
- Microsoft Research, Aurora: Θεμελιώδες μοντέλο για το γήινο σύστημα και την πρόγνωση ατμοσφαιρικών και περιβαλλοντικών μεταβλητών: https://github.com/microsoft/aurora
- Microsoft Research, MatterGen: Γενετικό μοντέλο για τον σχεδιασμό νέων ανόργανων υλικών με επιθυμητές ιδιότητες: https://github.com/microsoft/mattergen
- Google DeepMind, TORAX: Ανοικτός διαφορίσιμος προσομοιωτής μεταφοράς πλάσματος σε tokamak, χρήσιμος τόσο στην έρευνα σύντηξης όσο και στην προχωρημένη εκπαίδευση: https://github.com/google-deepmind/torax
- Polymathic AI, AION: Πολυτροπικό θεμελιώδες μοντέλο για αστρονομικά δεδομένα που συνδυάζει εικόνες, φάσματα και φωτομετρικές μετρήσεις: https://github.com/PolymathicAI/AION
- CMBAgent: Ανοικτό σύστημα πολλαπλών πρακτόρων που αναπτύχθηκε αρχικά για εργασίες κοσμολογικής ανάλυσης και αυτοματοποίηση σύνθετων επιστημονικών ροών εργασίας: https://github.com/CMBAgents/cmbagent
- Denario: Ανοικτό αρθρωτό σύστημα πολλαπλών πρακτόρων για υποστήριξη επιστημονικής έρευνας, από την επεξεργασία της ερευνητικής ιδέας και τη βιβλιογραφία έως την ανάλυση και τη συγγραφή: https://github.com/AstroPilot-AI/Denario
- RooAgent: Πράκτορας ΤΝ για αλληλεπίδραση με το ROOT μέσω φυσικής γλώσσας, με εφαρμογές στην ανάλυση δεδομένων της πειραματικής σωματιδιακής φυσικής: https://github.com/amanmdesai/RooAgent
- Physlib, The Lean Physics Library: Ανοικτή βιβλιοθήκη τυπικής επαλήθευσης Φυσικής στο Lean 4, η οποία δημιουργεί υποδομή για μηχανικά ελεγχόμενους ορισμούς, θεωρήματα και υπολογισμούς: https://github.com/leanprover-community/physlib
- Kestin et al., Scientific Reports, 2025, AI tutoring in undergraduate physics: Τυχαιοποιημένη ελεγχόμενη μελέτη για τη χρήση ειδικά σχεδιασμένου βοηθού ΤΝ στη διδασκαλία πανεπιστημιακής Φυσικής, σημαντική για τη διάκριση μεταξύ γενικής χρήσης LLM και παιδαγωγικά σχεδιασμένου συστήματος: https://doi.org/10.1038/s41598-025-97652-6
**Στοιχεία και εκδόσεις εργαλείων έως τον Σεπτέμβριο 2026.