Nobel Laureate Kosterlitz on Scientific Discovery and AI

•Kosterlitz 於 2016 年與 David Thouless 和 Duncan Haldane 共同獲得諾貝爾物理學獎，以表彰他們在拓撲相變和物質拓撲相領域的理論發現，特別是應用拓撲學解釋二維材料中的超導性，這在當時被認為是不可能的。
•別列津斯基-科斯特利茨-索利斯 (BKT) 相變描述了二維 XY 模型中的一種相變，其中低溫下束縛的渦旋-反渦旋對在達到某一臨界溫度時會融化成不成對的渦旋和反渦旋。
•BKT 相變最初在超流氦薄膜和二維超導薄膜中被觀察到，而近期（2020-2021 年）的研究已在磁性材料 TmMgGaO4 中發現了 BKT 相存在的實驗證據，擴展了其適用範圍。
•Kosterlitz 認為，儘管 AI 是強大的計算工具，但真正的科學突破往往源於直覺和意想不到的發現，這些是依賴邏輯和數據的 AI 目前無法複製的。
•當前 AI 研究正致力於開發「可解釋 AI」（Explainable AI）和「機器科學家」，旨在超越傳統深度學習的「黑盒子」預測模式，使其能夠從數據中「蒸餾」出人類可理解的物理定律並生成科學假設。

AI 模型類型與挑戰：深度學習模型常被視為「黑盒子」，難以理解其內部工作機制，這限制了物理學家對 AI 預測結果的信任，也難以從中提取物理知識。
可解釋 AI (Explainable AI, XAI)：研究人員正致力於開發可解釋的 AI 模型，使物理學家能夠理解 AI 的預測結果並從中提取物理知識。
物理信息神經網絡 (Physics-Informed Neural Networks, PINN)：這種方法將物理學知識融入神經網絡的訓練過程，以提高模型的精度和泛化能力。
量子機器學習 (Quantum Machine Learning)：結合量子計算和機器學習，旨在解決傳統機器學習難以處理的問題，例如量子多體問題。
生成式 AI 與大型語言模型 (LLM)：這些技術正從單純的計算工具發展為更像合作夥伴的角色，加速科學發現，並能集結技術專家與大眾進行交流。
「機器科學家」框架：杜克大學開發的一種新型 AI 框架，其核心靈感來自庫普曼算符 (Koopman operator)，能將複雜的非線性動力系統投射到高維空間，視為簡單的線性系統，並從數據中「蒸餾」出簡潔的物理定律。該框架透過自動編碼尋找「隱藏坐標系」，並植入「物理直覺」（如簡潔性、線性動力學）作為約束。

AI 將成為科學研究中不可或缺的輔助工具，而非取代人類創造力。

Kosterlitz 強調 AI 缺乏提出原創問題的能力，但其強大的計算和數據分析能力將加速現有問題的解決和新材料的發現。

未來 AI 研究將更側重於提高模型的可解釋性與生成科學假設的能力。

針對 AI「黑盒子」的局限，研究正朝向開發能「蒸餾」出人類可理解物理定律的 AI，以彌補其在深層理解和啟發人類洞見方面的不足。

跨學科研究將因 AI 的數據整合與模式識別能力而加速，但人類的「無知」優勢仍將存在。

AI 能處理和連接不同領域的大量數據，促進跨學科洞察，但 Kosterlitz 指出，缺乏預設界限的「無知」有時能帶來突破性思維，這是 AI 難以模仿的。

1943-06-22

出生於蘇格蘭亞伯丁。

1965-XX

獲得劍橋大學學士學位。

1969-XX

獲得牛津大學博士學位。

1970年代初

與 David Thouless 合作，共同發展了 BKT 相變理論。

1982-XX

成為布朗大學物理學教授。

2016-10-04

因在物質拓撲相變和拓撲相領域的理論發現，與 David Thouless 和 Duncan Haldane 共同獲得諾貝爾物理學獎。

諾貝爾獎得主 Kosterlitz 談科學發現與 AI