ИИ открывает свою собственную «фундаментальную» физику, и ученые озадачены

Физика — одна из наиболее строгих и негибких научных дисциплин, пронизанная длинными уравнениями и сложными измерениями, которые необходимо проводить правильно, чтобы раскрыть их секреты. Тем не менее, прежде чем даже самое простое уравнение было составлено, ученым сначала пришлось разобраться с важнейшим предшественником письменных уравнений: переменными системы.

Возьмите великое фундаментальное уравнение силы Ньютона: F=MA. Прежде чем составить такое уравнение, Ньютону сначала нужно было понять понятия ускорения, массы и силы. Это задача, для которой нет четко прописанного пути, сказал Motherboard профессор инженерии и науки о данных Колумбийского университета Ход Липсон.

«Это искусство, здесь нет систематического подхода», — говорит Липсон. «Это почти как узнать алфавит? Это происходит органично».

В лаборатории творческих машин Липсона он и его коллеги хотят лучше понять, как происходит этот процесс открытий и как его можно улучшить с помощью машинного обучения для раскрытия скрытой альтернативной физики, которую ученые-люди, возможно, пропустили.

Для этого Липсон и его коллеги разработали алгоритм машинного обучения, способный изучать физические явления, «просматривая» видео, такие как качание двойного маятника или мерцание пламени, и создавать количество переменных, необходимых для объяснения действия. . Для известных систем алгоритм смог предсказать правильное количество переменных в пределах одного значения (например, 2,05 переменных для описания одного маятника вместо 2) и даже сделать прогнозы переменных для неизвестных систем. Результаты были опубликованы на прошлой неделе в исследовании под названием «Автоматическое обнаружение фундаментальных переменных, скрытых в экспериментальных данных» в журнале Nature Computational Science.

Хотя этот алгоритм не является первым, изучающим данные и пытающимся извлечь из них физическую взаимосвязь, Липсон говорит, что эта работа стоит особняком, потому что она первая, которая не предоставляет алгоритму никакой информации о количестве или типе ожидаемых переменных в алгоритме. система. Из-за этого система не ограничена поиском переменных только через человеческую призму, что, по словам Липсона, может иметь решающее значение для раскрытия скрытой физики внутри этих систем.

«Дело не в том, что люди работают день и ночь в поисках этих переменных, и это может ускорить процесс», — объясняет Липсон.

«Дело скорее в том, что мы, вероятно, многое упускаем из виду», — продолжает он. «Но от этих переменных зависит так много, что мы подумали, что если мы сможем применить к этому немного возможностей искусственного интеллекта, возможно, мы откроем очень полезные вещи и изменим наше мышление».

Чтобы обеспечить успех своего алгоритма, Липсон и его коллеги, в том числе первый автор статьи, а ныне доцент кафедры инженерных наук Университета Дьюка Боюань Чен, предоставили ему видео динамического движения различной сложности. Сюда входили известные движения, такие как двойные маятники и качающиеся палки, а также еще не изученные движения, такие как лавовые лампы, мерцающие огни или надувные воздушные танцоры.

Изучив эти видео, ИИ попытался смоделировать явления на несколько шагов вперед и создать список все более мелких переменных, ответственных за действие. Наконец, ИИ будет выдавать минимальное количество переменных, необходимое системе для точного захвата движения.

Хотя ИИ довольно успешно обнаружил нужное количество переменных, есть одна большая загвоздка, которая не позволит ему в ближайшее время попасть в научные лаборатории. Он может сообщить ученым, что в системе имеется определенное количество переменных, но в настоящее время ему не хватает языка для описания того, что это за переменные — например, он вернул восемь переменных для «воздушного танцора» и 24 для камина. Объясняемость — это давняя цель исследований систем искусственного интеллекта, которые могут представлять собой сложные черные ящики, из-за которых ученым сложно перепроектировать какое-либо конкретное решение.

Это то, что Чена пока не слишком беспокоит.