TLDR;

Pesquisas recentes mostram avanços importantes com redes neurais para conectar configurações de cordas a propriedades de partículas, mas ainda não há evidência conclusiva de que a teoria das cordas descreva de forma única o nosso universo. Algoritmos de IA já foram capazes de aproximar métricas de Calabi–Yau e calcular massas e outras propriedades, indicando que a IA pode acelerar e possibilitar decisões sobre quais configurações correspondem a mundos físicos. Ainda faltam selecionar um único manifold entre as trilhões de possibilidades, obter métricas com precisão suficiente e confrontar previsões com dados experimentais (além da questão não resolvida da supersimetria) para considerar a teoria confirmada como descrição do nosso mundo.

Resumo

A teoria das cordas prometia reduzir a física a cordas vibrantes em um espaço de dez dimensões, mas a necessidade de “enrolar” seis dimensões em formas microscópicas—os variados e complexos manifoldes de Calabi–Yau—produziu um número astronômico de cenários possíveis (até ~10^500) e tornou impossível derivar, a partir de uma configuração específica, o macromundo de partículas observado. Pesquisadores progrediram na triagem de classes de Calabi–Yaus que reproduzem grosso modo o número de partículas do modelo padrão, mas o passo decisivo exigia conhecer a métrica precisa desses espaços, função que determina distâncias e, portanto, massas e acoplamentos das partículas; matematicamente existe, mas era inatingível computacionalmente. Tentativas numéricas iniciais (Wiseman, Headrick, Donaldson) mostraram que aproximações eram possíveis, porém lentas e imprecisas. A chegada de redes neurais reviveu o problema: grupos liderados por Ruehle, Anderson e outros usaram aprendizado de máquina para aproximar métricas de Calabi–Yau com rapidez e suavidade suficientes para calcular propriedades físicas, incluindo massas de partículas exóticas e, progressivamente, as interações com o campo de Higgs. Esses avanços não provam que a teoria das cordas descreve nosso universo, mas marcam um passo importante na tarefa de conectar microgeometrias a previsões testáveis e abrir frentes de colaboração entre físicos e cientistas de computação.