論文の概要: Can AI Follow In Einstein's Footsteps?

• arxiv url: http://arxiv.org/abs/2607.27794v1
• Date: Thu, 30 Jul 2026 07:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.443738
• Title: Can AI Follow In Einstein's Footsteps?
• Title（参考訳）: AIはアインシュタインの足跡を追えるか?
• Authors: Michael Shalyt, Nathan Regev, Marin Soljačić, Ido Kaminer,
• Abstract要約: 物理発見のためのAIの現状を概観する。 適切な質問をしたり、正しい原則を考案する能力です。
• 参考スコア（独自算出の注目度）: 4.43316916502814
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: AI is accelerating physics discovery, but perhaps away from Einstein-level theory building. To understand this gap, we must recognize a striking trend: while being very successful, the most visible AI contributions to physics discovery appear to mirror the historical development of physics, but in reverse. Human discovery in physics progressed, in broad strokes, from ancient pattern prediction, through phenomenological laws such as Kepler's, to principle-based universal theories such as relativity and the Standard Model. On the AI side, prominent contributions to physics discovery point in the opposite direction: early milestones emphasized explicit equation-discovery methods, such as symbolic regression, whereas more recent frontier contributions are powerful predictors such as AlphaFold and GraphCast, which can be remarkably accurate yet do not provide clear theoretical understanding. If this trend continues, AI would become extraordinarily good at prediction but may struggle to ever propose its first serious contender to quantum gravity or other paradigm-level theories. We review the current landscape of AI for physics discovery and highlight a critical missing skill: the ability to pose the right questions or invent the right principles to guide the development of new theories and the tests to falsify them. This mode of discovery has driven many of the deepest advances since the 17th century, where symmetry, simplicity, and new mathematical frameworks guided theory construction before experimental tests. Equipping AI systems with such skills could move them from predicting within known frameworks to proposing the next paradigm-level discovery in physics.
• Abstract（参考訳）: AIは物理学の発見を加速しているが、おそらくアインシュタインレベルの理論構築から遠ざかっている。 非常に成功しているにもかかわらず、物理学発見への最も目に見えるAI貢献は、物理学の歴史的発展を反映しているように見えるが、逆である。 物理学における人間の発見は、古代のパターン予測からケプラーのような現象学の法則を経て、相対性理論や標準模型のような原理に基づく普遍理論へと、広い範囲で進展した。 初期のマイルストーンは、記号回帰のような明示的な方程式発見手法を強調していたが、より最近のフロンティアの貢献はAlphaFoldやGraphCastのような強力な予測器であり、極めて正確でありながら明確な理論的理解を提供していない。 もしこの傾向が続くなら、AIは極めて予測に長けているが、量子重力や他のパラダイムレベルの理論に対する最初の真剣な競争者を提案するのに苦労するかもしれない。 正しい質問をしたり、新しい理論の開発を導くための正しい原則を考案したり、それらをファルシフィケーションするためのテストを行う能力です。 この発見の様式は、17世紀以来、対称性、単純さ、新しい数学的枠組みが実験前に理論構築を導いた最も深い進歩の多くを導いた。 このようなスキルでAIシステムを取得することで、既知のフレームワーク内での予測から、物理学における次のパラダイムレベルの発見へと移行する可能性がある。

関連論文リスト

• From Kepler to Newton: Inductive Biases Guide Learned World Models in Transformers [31.952312085850668]
  汎用AIアーキテクチャは、予測を越えて宇宙を支配する物理法則を発見することができる。 空間的滑らかさを確保することで、汎用トランスフォーマーは以前の失敗を克服し、コヒーレントなケプラー世界モデルを学ぶことができることを示す。 我々は、このモデルを曲線フィッティングを放棄し、ニュートンの力表現を発見するように強制する。
  論文  参考訳（メタデータ） (2026-02-06T18:17:37Z)
• AI Needs Physics More Than Physics Needs AI [0.0]
  2024年のノーベル化学物理学賞はAIの可能性を認めているが、より広範な評価は、現在の影響が技術よりもしばしば促進されていることを示している。 私たちは、現在のAIは物理学に影響を与えるかもしれないが、物理学は、この世代のAIを提供するために、はるかに多くのものを提供していると論じている。
  論文  参考訳（メタデータ） (2025-12-18T09:31:05Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI [57.44526951497041]
  我々は、物理的原則と具体的推論プロセスの両方において、学習の基礎となるインテリジェントなシステムを提唱する。 我々は、物理現象を説明でき、将来の状態を予測できる次世代の世界モデルを構想する。
  論文  参考訳（メタデータ） (2025-10-06T16:16:03Z)
• Physics Supernova: AI Agent Matches Elite Gold Medalists at IPhO 2025 [55.8464246603186]
  物理問題解決能力に優れたAIシステムである物理超新星を紹介する。 超新星は23.5/30点を獲得し、406人の競技者の14位にランクインし、人間の金メダリストの中央値を上回っている。 これらの結果から,エージェントシステム内におけるツール統合の原則が,競争力の向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2025-09-01T17:59:13Z)
• AI-Newton: A Concept-Driven Physical Law Discovery System without Prior Physical Knowledge [4.180458188910334]
  生データから物理法則を自律的に導き出すことができる概念駆動型発見システムであるAI-Newtonを提案する。 概念実証として、AI-Newtonをニュートン力学の幅広い問題に適用する。 この成果は、AIによる自律的な科学発見への大きな一歩となる。
  論文  参考訳（メタデータ） (2025-04-02T09:25:34Z)
• A Triumvirate of AI Driven Theoretical Discovery [0.0]
  近い将来、AIに取って代わられる危険はないが、人間の専門知識とAIアルゴリズムのハイブリッドは、理論的な発見の不可欠な部分になる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-05-30T11:57:00Z)
• Why is AI hard and Physics simple? [0.0]
  AIがなぜ難しいのか、なぜ物理学が単純なのかを議論します。 機械学習の根底にあるプロジェクトと物理の根底にあるプロジェクトは、スパーシティの原理によって強く結びついていることを示唆する。
  論文  参考訳（メタデータ） (2021-03-31T18:00:01Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。