هوش مصنوعی شروع به بررسی احتمالات بی پایان نظریه ریسمان می کند | مجله کوانتا

نظریه ریسمان قلب و ذهن بسیاری از فیزیکدانان را دهه ها پیش به دلیل سادگی زیبا تسخیر کرد. این تئوری می‌گوید به اندازه کافی روی یک تکه از فضا بزرگنمایی کنید، و شما انباری از ذرات یا میدان‌های کوانتومی لرزان را نخواهید دید. تنها رشته‌های یکسانی از انرژی وجود خواهد داشت که در حال ارتعاش و ادغام و جدا شدن هستند. در اواخر دهه 1980، فیزیکدانان دریافتند که این «رشته‌ها» می‌توانند به روش‌های انگشت شماری حرکت کنند و این احتمال وسوسه‌انگیز را افزایش می‌دهد که فیزیکدانان بتوانند مسیری را از رقص تارها تا ذرات اولیه دنیای ما دنبال کنند. عمیق ترین صدای ریسمان می تواند گراویتون ها را تولید کند، ذرات فرضی که تصور می شود بافت گرانشی فضا-زمان را تشکیل می دهند. سایر ارتعاشات باعث ایجاد الکترون ها، کوارک ها و نوترینوها می شود. نظریه ریسمان "نظریه همه چیز" نام گرفت.

گفت: «مردم فکر می‌کردند که تا زمانی که بتوانید همه چیزهایی را که باید بدانید، زمان زیادی است.» آنتونی اشمور، نظریه پرداز ریسمان در دانشگاه سوربن پاریس.

اما وقتی فیزیکدانان نظریه ریسمان را مطالعه کردند، پیچیدگی وحشتناکی را کشف کردند.

هنگامی که آنها از دنیای سخت ریسمان‌ها دور شدند، هر قدم به سوی دنیای غنی ذرات و نیرو ما، تعداد زیادی از احتمالات را معرفی می‌کرد. برای ثبات ریاضی، رشته ها باید در فضا-زمان 10 بعدی بچرخند. اما جهان ما چهار بعد دارد (سه بعد فضا و یک بعد زمان)، که نظریه‌پردازان ریسمان را به این نتیجه می‌رساند که شش بعد از دست رفته بسیار کوچک هستند - به شکل‌های میکروسکوپی شبیه لوفا. این اشکال 6 بعدی نامحسوس در تریلیون ها تریلیون ها انواع مختلف وجود دارد. روی آن لوفاها، رشته‌ها در امواج آشنای میدان‌های کوانتومی ادغام می‌شوند و تشکیل این میدان‌ها نیز می‌تواند به روش‌های متعددی اتفاق بیفتد. بنابراین، جهان ما شامل جنبه‌هایی از میدان‌هایی است که از لوفاها به دنیای غول‌پیکر چهار بعدی ما سرازیر می‌شوند.

نظریه پردازان ریسمان به دنبال این بودند که تعیین کنند آیا لوفاها و زمینه های نظریه ریسمان می توانند زیربنای مجموعه ذرات بنیادی موجود در جهان واقعی باشند یا خیر. اما نه تنها تعداد زیادی از احتمالات برای در نظر گرفتن وجود دارد - 10⁵⁰⁰ به ویژه پیکربندی‌های میکروسکوپی قابل قبول، طبق یک آمار - هیچ‌کس نمی‌توانست بفهمد که چگونه از پیکربندی خاصی از ابعاد و رشته‌ها کوچک‌نمایی کند تا ببیند چه دنیای بزرگی از ذرات ظاهر می‌شود.

"آیا نظریه ریسمان پیش بینی های منحصر به فردی می کند؟ آیا واقعاً فیزیک است؟ هیئت منصفه هنوز بیرون است.» لارا اندرسونفیزیکدانی در ویرجینیا تک که بیشتر دوران حرفه ای خود را صرف پیوند رشته ها با ذرات کرده است.

اکنون، نسل جدیدی از محققان ابزار جدیدی را برای مقابله با مشکل قدیمی آورده‌اند: شبکه‌های عصبی، برنامه‌های کامپیوتری که پیشرفت‌های هوش مصنوعی را تقویت می‌کنند. در ماه‌های اخیر، دو تیم از فیزیکدانان و دانشمندان کامپیوتر از شبکه‌های عصبی استفاده کرده‌اند تا برای اولین بار دقیقاً محاسبه کنند که چه نوع دنیای ماکروسکوپی از یک دنیای میکروسکوپی خاص از رشته‌ها پدید می‌آید. این نقطه عطف مدت‌ها مورد جستجو، تلاشی را که دهه‌ها پیش تا حد زیادی متوقف شده بود، دوباره تقویت می‌کند: تلاش برای تعیین اینکه آیا نظریه ریسمان واقعاً می‌تواند جهان ما را توصیف کند یا خیر.

اندرسون گفت: «ما در این نقطه نیستیم که بگوییم اینها قوانین جهان ما هستند. اما این یک گام بزرگ در مسیر درست است.»

دنیای پیچ خورده ریسمان

ویژگی مهمی که تعیین می‌کند چه دنیای ماکرو از نظریه ریسمان بیرون می‌آید، ترتیب شش بعد فضایی کوچک است.

ساده ترین این ترتیبات، اشکال پیچیده 6 بعدی به نام منیفولدهای Calabi-Yau هستند - اشیایی که شبیه لوفا هستند. به نام اوجنیو کالابی فقیدریاضیدانی که در دهه 1950 وجود آنها را حدس زد و شینگ تونگ یاو که در دهه 1970 تصمیم گرفت اشتباه بودن کالابی را ثابت کند اما در نهایت برعکس عمل کرد، منیفولدهای Calabi-Yau فضاهای 6 بعدی با دو ویژگی هستند که آنها را برای فیزیکدانان جذاب می کند. .

اول، آنها می توانند میزبان میدان های کوانتومی با تقارنی به نام ابرتقارن باشند، و میدان های فوق متقارن بسیار ساده تر از میدان های نامنظم تر مطالعه می شوند. آزمایش‌ها در برخورددهنده بزرگ هادرونی نشان داده‌اند که قوانین ماکروسکوپی فیزیک فوق متقارن نیستند. اما ماهیت دنیای خرد فراتر از مدل استاندارد ناشناخته باقی مانده است. اکثر نظریه پردازان ریسمان با این فرض کار می کنند که جهان در آن مقیاس فوق متقارن است، برخی انگیزه های فیزیکی برای این باور را ذکر می کنند در حالی که برخی دیگر این کار را به دلیل ضرورت ریاضی انجام می دهند.

دوم، منیفولدهای Calabi-Yau "Ricci-flat" هستند. بر اساس نظریه نسبیت عام آلبرت انیشتین، وجود ماده یا انرژی فضا-زمان را خم می کند و به اصطلاح باعث انحنای ریچی می شود. منیفولدهای Calabi-Yau فاقد این نوع انحنا هستند، اگرچه می‌توانند (و انجام می‌دهند) به روش‌های دیگر غیر مرتبط با محتوای ماده و انرژی خود منحنی شوند. برای درک صافی ریچی، یک دونات را در نظر بگیرید که یک منیفولد Calabi-Yau با ابعاد کم است. می‌توانید یک دونات را باز کنید و آن را روی صفحه‌ای مسطح نشان دهید که در آن حرکت از سمت راست، شما را به سمت چپ و به همین ترتیب با بالا و پایین انتقال می‌دهد.

بنابراین، طرح کلی بازی برای نظریه ریسمان، به جستجوی چندگانه خاصی که ریزساختار فضا-زمان را در جهان ما توصیف می کند خلاصه می شود. یکی از راه‌های جستجو، انتخاب یک دونات ۶ بعدی قابل قبول و بررسی اینکه آیا با ذراتی که می‌بینیم مطابقت دارد یا خیر.

اولین قدم این است که کلاس مناسبی از دونات های ۶ بعدی را درست کنید. ویژگی‌های قابل شمارش منیفولدهای Calabi-Yau، مانند تعداد سوراخ‌هایی که دارند، ویژگی‌های قابل شمارش جهان ما را تعیین می‌کند، مانند تعداد ذرات ماده متمایز. (جهان ما 6 عدد دارد.) بنابراین محققان با جستجوی منیفولدهای Calabi-Yau با مجموعه مناسبی از ویژگی های قابل شمارش برای توضیح ذرات شناخته شده شروع می کنند.

محققان در این مرحله پیشرفت ثابتی داشته‌اند، و طی چند سال گذشته، به‌ویژه یک همکاری مستقر در بریتانیا، هنر انتخاب دونات را به یک علم تبدیل کرده است. این گروه با استفاده از بینش جمع‌آوری‌شده از مجموعه‌ای از تکنیک‌های محاسباتی در سال‌های 2019 و 2020، تعداد انگشت شماری از فرمول‌ها را شناسایی کردند که دسته‌هایی از منیفولدهای Calabi-Yau را تولید می‌کنند که آن‌ها را «می‌نامند».برس پهننسخه های مدل استاندارد حاوی تعداد مناسبی از ذرات ماده. این تئوری ها تمایل به تولید نیروهایی از راه دور دارند که ما نمی بینیم. با این حال، با این ابزارها، فیزیکدانان بریتانیایی عمدتاً محاسباتی را که زمانی دلهره آور بودند، خودکار کرده اند.

گفت: "کارآمدی این روش ها کاملاً خیره کننده است." آندری کنستانتین، فیزیکدان دانشگاه آکسفورد که رهبری کشف فرمول ها را بر عهده داشت. این فرمول‌ها «زمان مورد نیاز برای تحلیل مدل‌های نظریه ریسمان را از چندین ماه تلاش محاسباتی به یک ثانیه کاهش می‌دهند».

مرحله دوم سخت تر است. هدف نظریه‌پردازان ریسمان محدود کردن جست‌وجوی فراتر از کلاس Calabi-Yaus و شناسایی یک چندگانه خاص است. آنها به دنبال تعیین دقیق بزرگی و مکان دقیق هر منحنی و گودی هستند. این جزئیات هندسی قرار است تمام ویژگی‌های باقی‌مانده دنیای ماکرو را تعیین کنند، از جمله اینکه ذرات دقیقاً چقدر برهم‌کنش می‌کنند و دقیقاً چه جرمی دارند.

تکمیل این مرحله دوم مستلزم دانستن متریک منیفولد است - تابعی که می تواند هر دو نقطه از شکل را بگیرد و فاصله بین آنها را به شما بگوید. یک معیار آشنا قضیه فیثاغورث است که هندسه یک صفحه دوبعدی را رمزگذاری می کند. اما با حرکت به سمت فضا-زمان های با ابعاد بالاتر و منحنی، معیارها توصیفات هندسی غنی تر و پیچیده تر می شوند. فیزیکدانان معادلات انیشتین را حل کردند تا متریک یک سیاهچاله منفرد در حال چرخش در دنیای 2 بعدی ما را بدست آورند، اما فضاهای 4 بعدی از لیگ آنها خارج شده اند. گفت: "این یکی از غم انگیزترین چیزهایی است که به عنوان یک فیزیکدان با آن روبرو می شوید." توبی وایزمن، فیزیکدان در امپریال کالج لندن. "ریاضیات، هر چند هوشمندانه هستند، در هنگام نوشتن جواب های معادلات کاملاً محدود هستند."

به عنوان یک دکترای فوق دکتری در دانشگاه هاروارد در اوایل دهه 2000، وایزمن زمزمه‌های معیارهای «افسانه‌ای» چندگانگی کالابی-یاو ​​را شنید. اثبات یاو مبنی بر وجود این توابع به او کمک کرد تا مدال فیلدز (جایزه برتر در ریاضیات) را به دست آورد، اما هیچ کس تا به حال آن را محاسبه نکرده بود. در آن زمان، وایزمن از رایانه‌ها برای تخمین متریک فضا-زمان‌های اطراف سیاه‌چاله‌های عجیب و غریب استفاده می‌کرد. شاید، او حدس می زد، رایانه ها می توانند معیارهای فضا-زمان Calabi-Yau را نیز حل کنند.

وایزمن گفت: "همه گفتند، "اوه، نه، شما نمی توانید این کار را انجام دهید." بنابراین من و یک مرد باهوش، متیو هدریک، یک نظریه پرداز ریسمان، نشستیم و نشان دادیم که می توان این کار را انجام داد."

منیفولدهای پیکسلی

وایزمن و هدریک (که در دانشگاه برندیس کار می‌کند) می‌دانستند که یک متریک Calabi-Yau باید معادلات اینشتین را برای فضای خالی حل کند. معیاری که این شرط را برآورده می کند، تضمین می کند که فضا-زمان مسطح ریچی است. وایزمن و هدریک چهار بعد را به عنوان محل اثبات انتخاب کردند. آنها در سال 2005 با استفاده از یک تکنیک عددی که گاهی در کلاس های حساب دیفرانسیل و انتگرال تدریس می شود، نشان دادند که یک متریک 4 بعدی Calabi-Yau در واقع می تواند تقریبی باشد. ممکن است در هر نقطه کاملا صاف نباشد، اما بسیار نزدیک بود، مانند یک دونات با چند فرورفتگی نامحسوس.

تقریباً در همان زمان، سایمون دونالدسون، ریاضیدان برجسته ای که در امپریال نیز فعالیت می کرد، به دلایل ریاضی معیارهای Calabi-Yau را مطالعه می کرد و به زودی الگوریتم دیگری را برای تقریب معیارها ایجاد کرد. نظریه پردازان ریسمان از جمله اندرسون شروع به تلاش برای محاسبه معیارهای خاص به این روش ها کردند، اما این روش ها زمان زیادی برد و دونات های بسیار ناهمواری تولید کرد که تلاش ها برای پیش بینی دقیق ذرات را به هم می زد.

تلاش برای تکمیل مرحله 2 برای نزدیک به یک دهه از بین رفت. اما از آنجایی که محققان بر روی مرحله 1 و حل مشکلات دیگر در نظریه ریسمان تمرکز کردند، یک فناوری جدید قدرتمند برای تقریب توابع علوم کامپیوتر را فرا گرفت - شبکه‌های عصبی، که شبکه‌های عظیمی از اعداد را تنظیم می‌کنند تا زمانی که مقادیر آنها برای برخی از تابع‌های ناشناخته قرار گیرند.

شبکه‌های عصبی عملکردهایی پیدا کردند که می‌توانست اشیاء را در تصاویر شناسایی کند، گفتار را به زبان‌های دیگر ترجمه کند و حتی در پیچیده‌ترین بازی‌های رومیزی بشریت تسلط پیدا کند. زمانی که محققان شرکت هوش مصنوعی DeepMind این را ایجاد کردند الگوریتم AlphaGo، که در سال 2016 بهترین بازیکن برتر انسان Go یعنی فیزیکدان را به دست آورد فابیان روله توجه کرد.

Ruehle که اکنون در دانشگاه نورث ایسترن است، گفت: "من فکر کردم، اگر این چیز بتواند از قهرمان جهان در Go بهتر عمل کند، شاید بتواند از ریاضیدانان یا حداقل فیزیکدانانی مانند من بهتر عمل کند."

Ruehle و همکارانش مشکل قدیمی تقریب معیارهای Calabi-Yau را مطرح کردند. اندرسون و دیگران نیز تلاش های قبلی خود را برای غلبه بر مرحله 2 احیا کردند. فیزیکدانان دریافتند که شبکه های عصبی سرعت و انعطاف پذیری را فراهم می کنند که تکنیک های قبلی فاقد آن بودند. الگوریتم‌ها می‌توانستند یک متریک را حدس بزنند، انحنای هزاران نقطه را در فضای 6 بعدی بررسی کنند، و به طور مکرر حدس را تنظیم کنند تا زمانی که انحنا در سراسر منیفولد ناپدید شود. تنها کاری که محققان باید انجام می‌دادند این بود که بسته‌های یادگیری ماشینی را که به‌طور رایگان در دسترس هستند، تنظیم کنند. تا سال 2020، چندین گروه بسته های سفارشی را برای محاسبه معیارهای Calabi-Yau منتشر کردند.

با توانایی به دست آوردن معیارها، فیزیکدانان در نهایت می‌توانند ویژگی‌های ظریف جهان‌های مقیاس بزرگ مربوط به هر منیفولد را بررسی کنند. روئل گفت: «اولین کاری که بعد از آن انجام دادم، جرم ذرات را محاسبه کردم.

از رشته ها تا کوارک ها

در سال 2021، Ruehle، با همکاری اشمور، این کار را انجام داد توده های ذرات سنگین عجیب و غریب که فقط به منحنی های Calabi-Yau بستگی دارد. اما این ذرات فرضی بسیار بزرگتر از آن هستند که بتوان آنها را تشخیص داد. برای محاسبه جرم ذرات آشنا مانند الکترون ها - هدفی که نظریه پردازان ریسمان برای دهه ها دنبال کرده اند - یادگیرندگان ماشین باید کارهای بیشتری انجام دهند.

ذرات ماده سبک وزن جرم خود را از طریق برهمکنش با میدان هیگز به دست می آورند، میدانی از انرژی که در سراسر فضا گسترش می یابد. هرچه یک ذره بیشتر متوجه میدان هیگز شود، سنگین تر است. میزان تعامل هر ذره با هیگز توسط کمیتی به نام جفت شدن یوکاوا مشخص می شود. و در نظریه ریسمان، کوپلینگ های یوکاوا به دو چیز بستگی دارند. یکی متریک منیفولد Calabi-Yau است که مانند شکل دونات است. مورد دیگر، روشی است که میدان‌های کوانتومی (که به صورت مجموعه‌ای از رشته‌ها به وجود می‌آیند) در منیفولد پخش می‌شوند. این میدان های کوانتومی کمی شبیه به اسپرینکل هستند. چیدمان آنها به شکل دونات مرتبط است اما تا حدودی مستقل است.

Ruehle و دیگر فیزیکدانان بسته های نرم افزاری منتشر کرده بودند که می توانست شکل دونات را به دست آورد. آخرین گام دریافت اسپرینکل ها بود - و شبکه های عصبی نیز ثابت کردند که قادر به انجام این کار هستند. دو تیم اوایل امسال همه قطعات را کنار هم قرار دادند.

یک همکاری بین المللی به رهبری رقیب میشا از دانشگاه کمبریج برای اولین بار در بالای بسته Ruehle ساخته شد تا متریک - هندسه خود دونات را محاسبه کند. سپس از شبکه‌های عصبی خانگی برای محاسبه نحوه همپوشانی میدان‌های کوانتومی در حول منیفولد، مانند پاشیدن دونات، استفاده کردند. مهمتر از همه، آن‌ها در زمینه‌ای کار کردند که هندسه میدان‌ها و منیفولد کاملاً به هم مرتبط هستند، تنظیمی که در آن کوپلینگ‌های Yukawa از قبل شناخته شده‌اند. وقتی گروه جفت‌ها را با شبکه‌های عصبی محاسبه کرد، نتایج با پاسخ های شناخته شده مطابقت داشت.

میشرا گفت: «مردم از قبل از تولد من در دهه 80 می خواستند این کار را انجام دهند.

گروهی به رهبری پیشکسوتان نظریه ریسمان برت اوروت از دانشگاه پنسیلوانیا و آندره لوکاس آکسفورد فراتر رفت. آنها نیز با نرم افزار محاسبه متریک Ruehle که لوکاس به توسعه آن کمک کرده بود، شروع کردند. با تکیه بر این پایه، آرایه ای از 11 شبکه عصبی را برای مدیریت انواع مختلف اسپرینکل ها اضافه کردند. این شبکه‌ها به آن‌ها اجازه می‌دادند مجموعه‌ای از زمینه‌ها را محاسبه کنند که می‌توانستند شکل‌های متنوع‌تری به خود بگیرند، و یک محیط واقعی‌تر ایجاد کنند که با هیچ تکنیک دیگری قابل مطالعه نیست. این ارتش از ماشین‌ها متریک و چیدمان میدان‌ها را یاد گرفتند، کوپلینگ‌های یوکاوا را محاسبه کردند و بیرون انداختند. جرم سه نوع کوارک. همه این کارها را برای شش منیفولد Calabi-Yau با شکل متفاوت انجام داد. اندرسون گفت: «این اولین بار است که کسی توانسته است آنها را با این درجه از دقت محاسبه کند.

هیچ یک از آن Calabi-Yaus زیربنای جهان ما نیست، زیرا دو تا از کوارک ها جرم های یکسانی دارند، در حالی که شش نوع در جهان ما در سه طبقه جرم هستند. در عوض، نتایج نشان‌دهنده اثبات این اصل است که الگوریتم‌های یادگیری ماشینی می‌توانند فیزیکدان‌ها را از یک منیفولد Calabi-Yau تا توده‌های ذرات خاص ببرند.

کنستانتین، یکی از اعضای گروه مستقر در آکسفورد، گفت: «تا کنون، چنین محاسباتی غیرقابل تصور بود.

بازی اعداد

شبکه های عصبی در دونات هایی با بیش از تعداد انگشت شماری سوراخ خفه می شوند و محققان در نهایت دوست دارند منیفولدهایی را با صدها منیفولد مطالعه کنند. و تاکنون، محققان تنها میدان‌های کوانتومی نسبتاً ساده را در نظر گرفته‌اند. اشمور گفت برای رسیدن به مدل استاندارد، "شاید به شبکه عصبی پیچیده تری نیاز داشته باشید."

چالش های بزرگتر در افق ظاهر می شوند. تلاش برای یافتن فیزیک ذرات ما در راه حل های نظریه ریسمان - اگر اصلاً وجود دارد - یک بازی اعداد است. هر چه دونات های پر از پاشیدن بیشتری را بتوانید بررسی کنید، احتمال پیدا کردن یک کبریت بیشتر است. پس از دهه‌ها تلاش، نظریه‌پردازان ریسمان سرانجام می‌توانند دونات‌ها را بررسی کرده و آن‌ها را با واقعیت مقایسه کنند: جرم‌ها و اتصالات ذرات بنیادی که مشاهده می‌کنیم. اما حتی خوش بین ترین نظریه پردازان نیز تشخیص می دهند که شانس یافتن یک همتا توسط شانس کور از نظر کیهانی کم است. تعداد دونات های Calabi-Yau به تنهایی ممکن است بی نهایت باشد. Ruehle گفت: "شما باید یاد بگیرید که چگونه سیستم را بازی کنید."

یک روش این است که هزاران منیفولد Calabi-Yau را بررسی کنید و سعی کنید هر الگوی را که می تواند جستجو را هدایت کند، شناسایی کنید. برای مثال، با کشش و فشردن منیفولدها به روش‌های مختلف، فیزیکدانان ممکن است حس شهودی از اینکه چه اشکالی به چه ذراتی منجر می‌شوند، ایجاد کنند. اشمور گفت: «چیزی که واقعاً امیدوارید این است که پس از بررسی مدل‌های خاص، استدلال قوی داشته باشید، و به مدل مناسب برای دنیای ما برخورد کنید.»

لوکاس و همکارانش در آکسفورد قصد دارند این اکتشاف را آغاز کنند و امیدوارکننده‌ترین دونات‌های خود را تولید کنند و در تلاش برای یافتن یک منیفولد که جمعیت واقعی کوارک‌ها را تولید می‌کند، بیشتر با دونات‌ها دست و پنجه نرم کنند. کنستانتین بر این باور است که آنها در عرض چند سال یک منیفولد پیدا خواهند کرد که جرم بقیه ذرات شناخته شده را بازتولید می کند.

با این حال، سایر نظریه پردازان ریسمان، فکر می کنند که شروع به بررسی دقیق چندین منیفولدها زود است. توماس ون ریت از KU Leuven یک نظریه پرداز ریسمان است که به دنبال آن است برنامه تحقیقاتی "محل باتلاق".، که به دنبال شناسایی ویژگی های مشترک با همه راه حل های نظریه ریسمان از نظر ریاضی سازگار است - مانند ضعف شدید گرانش نسبت به سایر نیروها او و همکارانش می‌خواهند بخش‌های وسیعی از راه‌حل‌های رشته‌ای - یعنی جهان‌های ممکن - را قبل از اینکه به دونات‌ها و پاشیدن‌های خاص فکر کنند، رد کنند.

ون ریت گفت: «خوب است که مردم این تجارت یادگیری ماشینی را انجام دهند، زیرا مطمئن هستم که در مقطعی به آن نیاز خواهیم داشت. اما ابتدا «ما باید در مورد اصول اساسی، الگوها فکر کنیم. چیزی که آنها درباره جزئیات می پرسند.»

بسیاری از فیزیکدانان از نظریه ریسمان به دنبال تئوری های دیگر گرانش کوانتومی رفته اند. و بعید است که پیشرفت های اخیر یادگیری ماشینی آنها را بازگرداند. Renate Lollفیزیکدانی از دانشگاه رادبود در هلند گفت که نظریه پردازان ریسمان برای تحت تاثیر قرار دادن واقعی باید پدیده های فیزیکی جدیدی را فراتر از مدل استاندارد پیش بینی و تایید کنند. او گفت: «این یک جستجوی سوزن در انبار کاه است و من مطمئن نیستم که ما از آن چه چیزی یاد می‌گیریم، حتی اگر شواهد کمی و قانع‌کننده وجود داشته باشد که امکان بازتولید مدل استاندارد وجود دارد». برای جالب‌تر شدن آن، باید چند پیش‌بینی فیزیکی جدید وجود داشته باشد.»

پیش‌بینی‌های جدید در واقع هدف نهایی بسیاری از یادگیرندگان ماشین است. آنها امیدوارند که نظریه ریسمان نسبتاً سفت و سخت ثابت شود، به این معنا که دونات هایی که با جهان ما مطابقت دارند دارای اشتراکاتی هستند. به عنوان مثال، این دونات ها ممکن است همگی حاوی نوعی ذره جدید باشند که می تواند به عنوان هدفی برای آزمایش ها باشد. با این حال، در حال حاضر، این کاملاً آرمانی است و ممکن است به نتیجه نرسد.

«نظریه ریسمان دیدنی است. بسیاری از نظریه پردازان ریسمان فوق العاده هستند. اما سابقه اظهارات کیفی درست در مورد جهان واقعاً زباله است نیما ارکانی-حامد، فیزیکدان نظری در موسسه مطالعات پیشرفته در پرینستون، نیوجرسی.

در نهایت، این سؤال که نظریه ریسمان چه چیزی را پیش‌بینی می‌کند، باز باقی می‌ماند. اکنون که نظریه‌پردازان ریسمان از قدرت شبکه‌های عصبی برای اتصال ریزجهان‌های ۶ بعدی رشته‌ها به جهان‌های کلان ۴ بعدی ذرات استفاده می‌کنند، شانس بیشتری برای پاسخگویی به آن دارند.

اندرسون گفت: «بدون شک، تعداد زیادی نظریه ریسمان وجود دارد که هیچ ارتباطی با طبیعت ندارند. «سؤال این است: آیا کسانی هستند که با آن ارتباط داشته باشند؟ پاسخ ممکن است منفی باشد، اما من فکر می‌کنم واقعاً جالب است که سعی کنیم نظریه را برای تصمیم‌گیری سوق دهیم.»