Ny AI kan opdage skjulte fysiklove

En ny kunstig intelligens (AI)-teknologi, der kan opdage skjulte fysiklove, er blevet udviklet af forskere ved Kobe University og Osaka University. AI’en kan udtrække skjulte bevægelsesligninger fra regulær observationsdata, som derefter bruges til at oprette en model baseret på fysikkens love. 

Den nye udvikling kan muligvis gøre det muligt for eksperter at opdage de skjulte bevægelsesligninger bag fænomener, der ikke kan forklares. 

Forskningsholdet bestod af lektor Yaguchi Takaharu og ph.d.-studerende Chen Yuhan fra Kobe University samt lektor Matsubara Takashi fra Osaka University.

Forskningen blev præsenteret for sidste måned på Det femogtredje konference om neurale informationsprocesseringssystemer (NeurlPS2021).

Forudsigelse af fysikfænomener 

For at gøre forudsigelser om fysikfænomener, er eksperter normalt afhængige af simulationer med supercomputere. Simulationerne bruger matematiske modeller baseret på fysikkens love, men resultaterne kan være upålidelige, hvis modellen er tvivlsom. Derfor er det vigtigt at have en metode til at producere pålidelige modeller fra observationsdata af fænomener. 

Den nye forskning har udviklet en metode til at opdage nye bevægelsesligninger i observationsdata. Tidligere forskning har fokuseret på at opdage bevægelsesligninger fra data, men nogle krævede, at data var i den rette format. Problemet er, at der er mange tilfælde, hvor eksperter ikke kender det bedste dataformat at bruge, så det er svært at anvende realistisk data.

Belysning af ukendte geometriske egenskaber 

Forskerne har adresseret denne udfordring ved at belyse de ukendte geometriske egenskaber bag fænomener. Dette har gjort det muligt for dem at udvikle en AI, der kan finde disse geometriske egenskaber i data. Hvis AI’en kan udtrække bevægelsesligninger fra data, kan ligningerne bruges til at oprette modeller og simulationer, der følger fysikkens love. 

Fysiksimulationer finder sted i felter som vejrforudsigelse, stofopdagelse og bil design. Men de kræver normalt omfattende beregninger. Hvis AI kan lære af data fra bestemte fænomener og konstruere småskala-modeller med den nye metode, kan beregningerne forenkles, accelereres og gøres tro mod fysikkens love. 

Metoden kan også anvendes på områder, der ikke er relateret til fysik, og muliggøre fysikbaserede undersøgelser og simulationer af fænomener, der tidligere var umulige at forklare. Et eksempel er, at den kan bruges til at finde en skjult bevægelsesligning i data om dyrepopulationer, der viser ændringer i antallet af individer, hvilket kan hjælpe med at give indsigt i økosystemets bæredygtighed.