KI bringt sich selbst die Gesetze der Physik bei

In einem monumentalen Moment sowohl für die KI als auch für die Physik Ein neuronales Netzwerk hat „wiederentdeckt“, dass die Erde die Sonne umkreist. Die neue Entwicklung könnte für die Lösung quantenmechanischer Probleme von entscheidender Bedeutung sein, und die Forscher hoffen, dass sie zur Entdeckung neuer Gesetze der Physik durch die Identifizierung von Mustern in großen Datensätzen genutzt werden kann. 

Das neuronale Netzwerk namens SciNet, wurde mit Messungen gefüttert, die zeigten, wie Sonne und Mars von der Erde aus erscheinen. Wissenschaftler der Eidgenössischen Technischen Hochschule beauftragten SciNet dann mit der Vorhersage, wo sich Sonne und Mars zu unterschiedlichen Zeiten in der Zukunft befinden würden. 

Die Forschung wird in veröffentlicht Briefe zur körperlichen Untersuchung. 

Entwerfen des Algorithmus

Das Team, zu dem auch der Physiker Renato Renner gehörte, machte sich daran, den Algorithmus in die Lage zu versetzen, große Datensätze in Grundformeln zu destillieren. Dies ist das gleiche System, das Physiker bei der Aufstellung von Gleichungen verwenden. Dazu mussten die Forscher das neuronale Netzwerk auf dem menschlichen Gehirn aufbauen. 

Die von SciNet generierten Formeln stellten die Sonne in den Mittelpunkt unseres Sonnensystems. Einer der bemerkenswerten Aspekte dieser Forschung war, dass SciNet dies ähnlich tat, wie der Astronom Nikolaus Kopernikus die Heliozentrizität entdeckte. 

Das Team hob dies in einem auf dem Preprint-Repository arXiv veröffentlichten Artikel hervor. 

„Im 16. Jahrhundert maß Kopernikus die Winkel zwischen einem entfernten Fixstern und mehreren Planeten und Himmelskörpern und stellte die Hypothese auf, dass sich die Sonne und nicht die Erde im Zentrum unseres Sonnensystems befindet und dass sich die Planeten auf einfachen Bewegungen um die Sonne bewegen.“ Umlaufbahnen“, schrieb das Team. „Das erklärt die komplizierten Umlaufbahnen von der Erde aus gesehen.“

Das Team versuchte, SciNet dazu zu bringen, die Bewegungen von Sonne und Mars auf möglichst einfache Weise vorherzusagen. Daher nutzt SciNet zwei Subnetzwerke, um Informationen hin und her zu senden. Eines der Netzwerke analysiert die Daten und lernt daraus, während das andere auf der Grundlage dieses Wissens Vorhersagen trifft und die Genauigkeit testet. Da diese Netzwerke nur über wenige Verbindungen miteinander verbunden sind, werden Informationen komprimiert und die Kommunikation vereinfacht. 

Herkömmliche neuronale Netze lernen anhand riesiger Datensätze, Objekte zu identifizieren und zu erkennen und generieren Merkmale. Diese werden dann in mathematische „Knoten“ kodiert, die als künstliches Äquivalent von Neuronen gelten. Im Gegensatz zu Physikern sind neuronale Netze unvorhersehbarer und schwieriger zu interpretieren. 

Künstliche Intelligenz und wissenschaftliche Entdeckungen 

Einer der Tests bestand darin, dem Netzwerk simulierte Daten über die Bewegungen von Mars und Sonne von der Erde aus zu liefern. Die Umlaufbahn des Mars um die Sonne erscheint unvorhersehbar und kehrt oft ihren Kurs um. Es war im 1500. Jahrhundert, als Nikolaus Kopernikus entdeckte, dass einfachere Formeln verwendet werden konnten, um die Bewegungen der Planeten, die die Sonne umkreisen, vorherzusagen. 

Als das neuronale Netzwerk ähnliche Formeln für die Flugbahn des Mars „entdeckte“, entdeckte es eines der wichtigsten Erkenntnisse der Geschichte wieder. 

Mario Krenn ist Physiker an der University of Toronto in Kanada und arbeitet daran, künstliche Intelligenz für wissenschaftliche Entdeckungen zu nutzen. 

SciNet habe „einen der wichtigsten Paradigmenwechsel in der Geschichte der Wissenschaft“ wiederentdeckt, sagte er. 

Um die Gleichungen zu interpretieren und herauszufinden, wie sie mit der Bewegung der Planeten um die Sonne zusammenhängen, sind laut Renner noch Menschen nötig. 

Hod Lipson ist Robotiker an der Columbia University in New York City. 

„Diese Arbeit ist wichtig, weil sie in der Lage ist, die entscheidenden Parameter herauszuarbeiten, die ein physikalisches System beschreiben“, sagt er. „Ich denke, dass diese Art von Techniken unsere einzige Hoffnung sind, immer komplexere Phänomene in der Physik und darüber hinaus zu verstehen und mit ihnen Schritt zu halten.“