Девять петель от Claude: как ИИ решает задачи в научном коде

научный код — В конце сентября 2026 года компания Anthropic представила исследовательский материал Yes, Claude can do Nine Loops, продемонстрировавший прорыв в квантовой теории поля с применением языковых моделей. В публикации сообщается, что модель Claude смогла вычислить символ девятипетлевой шестичастичной MHV-амплитуды в планарной суперсимметричной теории Янга — Миллса двумя независимыми путями.

Предыдущим лучшим достижением в данной задаче считался восьмипетлевой результат, полученный Лэнсом Диксоном и Юй-Тин Лю в 2023 году. Каждый из двух вариантов вычислений обошелся примерно в 1000–2000 долларов, а на независимую двухнедельную проверку итогов ушел труд эксперта из SLAC.

Новый результат в квантовой теории поля

Основной интерес в этой ситуации представляет не столько сам физический показатель, сколько организация рабочего процесса с использованием искусственного интеллекта. Подобный сложный расчет выполнен с применением известных методологических подходов, однако новизна заключается в построении девятипетлевой структуры и способе генерации научного кода. Поскольку модели способны совершать скрытые ошибки, ключевым вопросом остается проверка корректности полученных данных и отделение реального результата от правдоподобной имитации.

Организация надежного научного кода

Создание программного обеспечения для научных вычислений сопряжено с серьезными трудностями. Обычный запуск скрипта, успешное прохождение тестов или совпадение со старыми программами еще не гарантируют правильность заложенной физической модели. Вместо нереализуемого обещания «написать код без единой ошибки» исследователи формулируют проверяемые требования: фиксируют исходные допущения, определяют источники эталонных значений и подбирают контрольные тесты.

Алгоритм контроля сгенерированного кода

Для повышения надежности применяется многоступенчатый алгоритм проверки, который снижает вероятность незаметных сбоев и делает процесс воспроизводимым. Первым шагом становится подробное описание задачи: фиксируются уравнения, области применимости, системы единиц, используемый базис, граничные условия, целевые величины и допустимые погрешности. Программу разделяют на независимые изолированные блоки с понятными входами и выходами, а также четко прописанными размерностями.

Затем создаются независимые опоры: простейшие предельные случаи, ручные расчеты для малых размерностей и прозрачные эталонные реализации. Применяются методы компьютерной алгебры, проверяются аналитические преобразования, а также проводятся испытания на устойчивость алгоритмов при изменении шага сетки, разрядности чисел и масштаба входных данных. Для выявления скрытых дефектов используют мутационное тестирование, намеренно внося известные ошибки в копии кода и проверяя, реагируют ли на них тесты.

Базовые понятия и терминология

Для понимания сложных петлевых вычислений необходимо оперировать фундаментальными терминами линейной алгебры и математической физики. Базис представляет собой набор независимых векторов, задающих координаты состояния линейного пространства. Начальные условия определяют состояние системы в начальный момент времени, тогда как граничные условия накладывают ограничения на пространственных краях области, исключая произвольную замену границ без изменения самой задачи.

Нормировка фиксирует физический масштаб объекта, а допустимая погрешность задает критерий отклонения вычисленного значения от опорного. Невязка показывает результат подстановки кандидатного решения обратно в исходное уравнение, позволяя оценивать точность без знания точного ответа. Числа с плавающей точкой хранятся через мантиссу и порядок, определяющие точность и диапазон представления величин. При этом численная устойчивость и обусловленность задачи определяют чувствительность алгоритмов и исходных уравнений к малым погрешностям.

Процессная декомпозиция и проверка гипотез

Одной из главных методологических идей при работе с генеративным кодом выступает процессная декомпозиция. Моделируемое явление разбивается на последовательность мелких шагов с контролируемыми параметрами, после чего нейросети поручается реализация конкретных изолированных частей. Такой подход в сочетании с аналитическими проверками, контролем размерностей и сохранением воспроизводимого окружения позволяет существенно снизить риски появления методологических ошибок в сложных физических расчетах.