AI lærer sig fysikkens love

I et monumentalt øjeblik for både AI og fysik har et neuralt netværk “genopdaget”, at Jorden kredser om Solen. Denne nye udvikling kan være afgørende for at løse kvantemekaniske problemer, og forskerne håber, at den kan bruges til at opdage nye fysikkens love ved at identificere mønstre i store datasæt.

Det neurale netværk, der hedder SciNet, blev fødet målinger, der viser, hvordan Solen og Mars ser ud fra Jorden. Forskere ved det Schweiziske Federale Teknisk Universitet gav derefter SciNet i opgave at forudsige, hvor Solen og Mars ville være på forskellige tidspunkter i fremtiden.

Forskningen vil blive offentliggjort i Physical Review Letters.

Design af algoritmen

Holdet, der inkluderer fysikeren Renato Renner, satte sig for at gøre algoritmen i stand til at destillere store datasæt ned til grundlæggende formler. Dette er det samme system, som fysikere bruger, når de udvikler ligninger. For at gøre dette, måtte forskerne basere det neurale netværk på det menneskelige hjerte.

Formlerne, der blev genereret af SciNet, placerede Solen i centrum af vores solsystem. En af de bemærkelsesværdige aspekter af denne forskning var, at SciNet gjorde dette på samme måde, som astronomen Nicolaus Copernicus opdagede heliocentrisme.

Holdet fremhævede dette i en artikel, der blev offentliggjort på preprint-repositoriet arXiv.

“I det 16. århundrede målte Copernicus vinklerne mellem en fjern fast stjerne og flere planeter og himmellegemer og formodede, at Solen, og ikke Jorden, er i centrum af vores solsystem, og at planeterne bevæger sig omkring Solen på simple baner,” skrev holdet. “Dette forklarer de komplicerede baner, som set fra Jorden.”

Holdet prøvede at få SciNet til at forudsige Solens og Mars’ bevægelser på den enkleste måde mulig, så SciNet bruger to undernetværk til at sende information frem og tilbage. Et af netværkene analyserer data og lærer af det, og det andet netværk laver forudsigelser og tester nøjagtigheden på baggrund af denne viden. Fordi disse netværk er forbundet med kun få links, bliver informationen komprimeret, og kommunikationen bliver simplere.

Konventionelle neurale netværk lærer at identificere og genkende objekter gennem store datasæt, og de genererer funktioner. Disse funktioner bliver derefter kodet i matematiske “noder”, der betragtes som den kunstige pendant til neuroner. I modsætning til fysikere er neurale netværk mere uforudsigelige og sværere at fortolke.

Kunstig intelligens og videnskabelige opdagelser

En af testene involverede at give netværket simulerede data om Solens og Mars’ bevægelser, set fra Jorden. Mars’ bane om Solen ser uforudsigelig ud og omvender ofte retning. Det var i 1500-tallet, da Nicolaus Copernicus opdagede, at simplere formler kunne bruges til at forudsige planeternes bevægelser omkring Solen.

Da det neurale netværk “opdagede” lignende formler for Mars’ bane, genopdagede det en af de vigtigste stykker viden i historien.

Mario Krenn er en fysiker ved University of Toronto i Canada, og han arbejder med at bruge kunstig intelligens til at gøre videnskabelige opdagelser.

SciNet genopdagede “en af de vigtigste skift i paradigmer i videnskabens historie,” sagde han.

Ifølge Renner er mennesker stadig nødvendige for at fortolke ligningerne og bestemme, hvordan de er forbundet med planeternes bevægelser omkring Solen.

Hod Lipson er en robotforsker ved Columbia University i New York City.

“Dette arbejde er vigtigt, fordi det kan udskille de væsentlige parametre, der beskriver et fysisk system,” siger han. “Jeg tror, at disse teknikker er vores eneste håb om at forstå og følge med stadig mere komplekse fænomener, i fysik og ud over.”