Физические уравнения, похоже, следуют загадочной математической модели, основанной на лингвистике

Математические уравнения, описывающие фундаментальные законы физики, подчиняются тому же статистическому правилу, что и частота слов в человеческой речи. Исследователи из Оксфордского университета обнаружили, что композиция физических формул — от закона тяготения Ньютона до энтропии черной дыры — систематически следует закону Ципфа. Это открытие ставит под сомнение случайность математического описания Вселенной и указывает на возможную глубинную связь между структурой природы и принципами работы человеческого разума.

Универсальный паттерн физических формул

Закон Ципфа, сформулированный в 1949 году, описывает распределение слов в текстах: самое частое слово встречается в два раза чаще второго и в три раза чаще третьего. Ученые предположили, что аналогичная иерархия существует и среди операторов и переменных в физических уравнениях. Для проверки гипотезы они проанализировали три массива формул: из «Лекций по физике» Фейнмана, уравнений из Википедии, названных в честь ученых, и формул, описывающих инфляцию ранней Вселенной.

Результаты показали, что частота использования таких символов, как знак равенства, сложение, возведение в степень или переменные вроде G и c, остается постоянной независимо от выбранного набора уравнений. При этом случайно сгенерированные формулы этой закономерности не демонстрируют.

Природа или математик: кто диктует правила

Выявленная статистическая стабильность может говорить о том, что Вселенная действительно функционирует по единому «мета-закону». Однако не менее вероятно, что паттерн отражает особенности человеческого мышления: стремление к минимализму и передаче максимума информации с помощью минимального набора символов. Физики, по сути, подсознательно выбирают самые простые и эффективные способы формализации природных явлений, что и приводит к повторяющемуся распределению.

Эти результаты открывают перспективу для создания «мета-закона природы» — вероятностного правила, которому подчиняются все физические законы. Кроме того, обнаруженная закономерность может быть использована для обучения нейросетей: модели машинного обучения, освоившие данный паттерн, потенциально способны точнее предсказывать новые, еще не открытые уравнения физики.