Ny AI kunne opdage skjulte fysiske love

En ny kunstig intelligens (AI) teknologi, der kunne opdage skjulte fysiske love, er blevet udviklet af forskere ved Kobe University og Osaka University. AI'en kan udtrække skjulte bevægelsesligninger fra almindelige observationsdata, som derefter bruges til at skabe en model baseret på fysikkens love. 

Den nye udvikling kunne gøre det muligt for eksperter at opdage de skjulte bevægelsesligninger bag fænomener, der er uforklarlige. 

Forskerholdet omfattede lektor Yaguchi Takaharu og ph.d. studerende Chen Yuhan fra Kobe University, samt lektor Matsubara Takashi fra Osaka University.

Forskningen blev præsenteret i sidste måned på 2021. konference om neurale informationsbehandlingssystemer (NeurlPSXNUMX).

Forudsigelse af fysiske fænomener 

For at komme med forudsigelser om fysiske fænomener er eksperter normalt afhængige af simuleringer med supercomputere. Simuleringerne bruger matematiske modeller baseret på fysikkens love, men resultaterne kan være upålidelige, hvis modellen er tvivlsom. Det er derfor, det er afgørende at have en metode til at producere pålidelige modeller ud fra fænomeners observationsdata. 

Den nye forskning udviklede en metode til at opdage nye bevægelsesligninger i observationsdata. Tidligere forskning har fokuseret på at opdage bevægelsesligninger fra data, men nogle krævede, at dataene var i det passende format. Problemet er, at der er mange tilfælde, hvor eksperter ikke kender det bedste dataformat, der skal bruges, så det er svært at anvende realistiske data.

Oplyser ukendte geometriske egenskaber 

Forskerne adresserede denne udfordring ved at belyse de ukendte geometriske egenskaber bag fænomener. Dette gjorde dem i stand til at udvikle en AI, der kan finde disse geometriske egenskaber i data. Hvis AI kan udtrække bevægelsesligninger fra data, så kan ligningerne bruges til at skabe modeller og simuleringer, der følger fysiske love. 

Fysiske simuleringer finder sted inden for områder som vejrudsigt, lægemiddelopdagelse og bildesign. De kræver dog normalt en omfattende beregning. Hvis AI kan lære af data fra specifikke fænomener, samt konstruere småskalamodeller ved hjælp af den nye metode, så kan beregningerne forenkles, fremskyndes og tro mod fysikkens love. 

Metoden kunne også anvendes på områder, der ikke er relateret til fysik, hvilket muliggør fysik videnbaserede undersøgelser og simuleringer af fænomener, der tidligere blev anset for umulige at forklare. Et sådant eksempel er, at det kunne bruges til at finde en skjult bevægelsesligning i dyrepopulationsdata, der viser ændringen i antallet af individer, hvilket kunne hjælpe med at give indsigt i økosystemernes bæredygtighed.