¿Por qué tantos físicos recurren al trabajo en inteligencia artificial o aprendizaje automático?

En la primera fase, la física se ocupó principalmente de los problemas de unos pocos cuerpos (como el movimiento simple del péndulo), cuyas soluciones podrían expresarse en términos de fórmulas claras.

En la segunda fase, la física se ocupó principalmente de problemas de muchos cuerpos con pocas variables (como la distribución de partículas de gas), que requerían conceptos de estadística.

Ahora, en la tercera fase, la física se enfrenta a problemas de muchos cuerpos y muchas variables (como la lluvia de asteroides), que requieren un enfoque de aprendizaje automático.

El desafío de aprendizaje automático de bosón de Higgs de Kaggle (desafío de aprendizaje automático de bosón de Higgs de Kaggle) es un ejemplo de hacia dónde se dirige la física.

Este tipo de evolución de la física es una de las razones por las que muchos físicos están recurriendo al trabajo en aprendizaje automático o inteligencia artificial.

Otra razón para este cambio es que ML e IA están permitiendo a los investigadores trabajar en muchas áreas interdisciplinarias. Un físico entrenado en ML o AI puede pasar fácilmente a otro campo cuando sea necesario.

Algunos físicos entran en ML e IA porque ML e IA son actualmente bastante gratificantes.

En parte al menos porque hay límites en la cantidad de trabajos disponibles en física pura. Más allá de eso, la física requiere aprender muchas matemáticas y, en muchos sentidos, la inteligencia artificial será, a la larga, reducir algoritmos redundantes y costosos a sus componentes constitutivos mínimos y estadísticamente relevantes.