Ny AI kan opdage skjulte fysiske love

En ny kunstig intelligens (AI)-teknologi, der kan opdage skjulte fysiske love, 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 sidste måned på Thirty-fifth Conference on Neural Information Processing Systems (NeurlPS2021).

At forudsige fysiske fænomener 

For at gøre forudsigelser om fysiske fænomener, læner eksperter normalt på simulationer med supercomputere. Simulationerne bruger matematiske modeller baseret på fysikkens love, men resultaterne kan være upålidelige, hvis modellen er tvivlsom. Det er derfor afgørende 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 ved, hvilket dataformat der skal bruges, så det er svært at anvende realistiske data.

At belyse 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 derefter bruges til at oprette modeller og simulationer, der følger fysikkens love. 

Fysiske simulationer finder sted i felter som vejrforudsigelser, lægemiddelforskning og bil-design. however, de kræver normalt omfattende beregninger. Hvis AI kan lære af data fra bestemte fænomener samt konstruere småskalamodeler 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 blev betragtet som 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 give indsigt i økosystemets bæredygtighed.