Onderzoekers hebben aangetoond dat het mogelijk is om fundamentele natuurkundige principes direct te beïnvloeden binnen een gespecialiseerd AI-model. Door specifieke interne activaties aan te passen, kunnen fenomenen zoals diffusie en wervelingen in simulaties worden gestuurd.
In een recent onderzoek, gepubliceerd op het preprint-platform arxiv.org, beschrijven wetenschappers een methode om causale controle uit te oefenen op cross-domeinconcepten binnen een natuurkundig foundation model genaamd Walrus. Het team, bestaande uit onder meer Rio Alexa Fear en Miles Cranmer, onderzocht of wetenschappelijke AI-modellen op een vergelijkbare manier abstracte representaties leren als taal- en beeldmodellen.
Activation Steering in Natuurkunde
De kern van het onderzoek draait om 'activation steering'. Dit is een techniek waarbij specifieke richtingen in de activatieruimte van een model worden geïdentificeerd die corresponderen met bepaalde concepten. Volgens de publicatie op heeft het model Walrus lineair stuurbare representaties van fysieke fenomenen ontwikkeld.
Door het verschil te berekenen tussen activaties die contrasterende fysieke regimes vertegenwoordigen, konden de onderzoekers specifieke richtingen isoleren. Deze richtingen blijken direct gekoppeld te zijn aan concepten zoals:
* Vorticiteit: Het ontstaan en bewegen van wervelingen.
* Diffusie: De verspreiding van materie of energie.
* Temporele progressie: Het verloop van de tijd binnen een simulatie.
Causale controle en generalisatie
De onderzoekers ontdekten dat het injecteren van deze conceptrichtingen tijdens de inferentiefase van het model leidde tot fijnmazige causale controle. In de praktijk betekent dit dat wervelingen in een simulatie kunstmatig kunnen worden opgewekt of juist verwijderd. Daarnaast bleek het mogelijk om diffusieprocessen te versterken of te onderdrukken, en de snelheid van simulaties te versnellen of te vertragen.
Een opvallend resultaat van de studie is dat richtingen die zijn afgeleid van één specifiek fysiek systeem, ook het gedrag van andere fysieke systemen kunnen sturen. Dit suggereert dat de representaties die Walrus heeft geleerd 'domein-generiek' zijn. Volgens de auteurs van het artikel op biedt dit vroeg bewijs dat wetenschappelijke foundation modellen in staat zijn om algemene representaties van natuurkundige principes te leren.
Theoretische implicaties
Deze bevindingen bieden volgens de onderzoekers verdere ondersteuning voor de zogenaamde 'Linear Representation Hypothesis'. Deze hypothese stelt dat complexe concepten in neurale netwerken worden opgeslagen als lineaire richtingen in een hoogdimensionale ruimte.
Hoewel de focus van dit specifieke onderzoek ligt op de computationele aspecten van machine learning en kunstmatige intelligentie, raakt het aan fundamentele principes van de fysica. Voor context over dergelijke basisprincipes, zoals vloeistofdynamica en de algemene basis van de natuurkunde, kan men terecht bij educatieve platforms zoals Physics LibreTexts, waar de theoretische kaders van vloeistoffen en dynamica worden beschreven.
Het onderzoek is in meerdere versies gepubliceerd, waarbij de meest recente update van 5 november 2026 (versie v3) beschikbaar is via . De resultaten openen nieuwe wegen voor het begrijpen van hoe AI-modellen wetenschappelijke wetten internaliseren en hoe deze kennis kan worden ingezet voor nauwkeurigere en stuurbare wetenschappelijke simulaties.