KI lehrt sich physikalische Gesetze selbst

In einem monumentalen Moment sowohl für KI als auch für Physik hat ein neuronales Netzwerk “wiederentdeckt”, dass die Erde die Sonne umkreist.Das neue Entwicklungsstadium könnte entscheidend sein, um Quantenmechanik-Probleme zu lösen, und die Forscher hoffen, dass es verwendet werden kann, um neue physikalische Gesetze durch das Erkennen von Mustern in großen Datenmengen zu entdecken. Die Forschungsergebnisse werden in Physical Review Letters veröffentlicht.

Das neuronale Netzwerk, benannt SciNet,, wurde mit Messungen gefüttert, die zeigen, wie die Sonne und der Mars von der Erde aus erscheinen. Wissenschaftler am Schweizerischen Bundesinstitut für Technologie beauftragten SciNet dann, vorherzusagen, wo die Sonne und der Mars zu verschiedenen Zeiten in der Zukunft sein würden.

Die Forschungsergebnisse werden in Physical Review Letters veröffentlicht.

Entwicklung des Algorithmus

Das Team, einschließlich des Physikers Renato Renner, setzte sich das Ziel, den Algorithmus in der Lage zu machen, große Datenmengen in grundlegende Formeln zu destillieren. Dies ist dasselbe System, das Physiker verwenden, wenn sie Gleichungen aufstellen. Um dies zu tun, mussten die Forscher das neuronale Netzwerk auf das menschliche Gehirn basieren.

Die Formeln, die von SciNet generiert wurden, stellten die Sonne in der Mitte unseres Sonnensystems. Einer der bemerkenswerten Aspekte dieser Forschung war, dass SciNet dies auf ähnliche Weise tat, wie der Astronom Nicolaus Copernicus die heliozentrische Theorie entdeckte.

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

“Im 16. Jahrhundert maß Copernicus die Winkel zwischen einem fernen Fixstern und mehreren Planeten und Himmelskörpern und vermutete, dass die Sonne und nicht die Erde im Zentrum unseres Sonnensystems ist und dass die Planeten um die Sonne auf einfachen Umlaufbahnen kreisen”, schrieb das Team. “Dies erklärt die komplizierten Umlaufbahnen, wie sie von der Erde aus gesehen werden.”

Das Team versuchte, SciNet dazu zu bringen, die Bewegungen der Sonne und des Mars auf die einfachste Weise vorherzusagen, sodass SciNet zwei Sub-Netzwerke verwendet, um Informationen hin und her zu senden. Eines der Netzwerke analysiert die Daten und lernt daraus, und das andere macht Vorhersagen und testet die Genauigkeit auf der Grundlage dieser Kenntnisse. Da diese Netzwerke nur durch wenige Verbindungen miteinander verbunden sind, werden Informationen komprimiert und die Kommunikation vereinfacht.

Konventionelle neuronale Netzwerke lernen, Objekte durch große Datenmengen zu identifizieren und zu erkennen, und generieren Merkmale. Diese werden dann in mathematischen “Knoten” codiert, die als künstliches Äquivalent von Neuronen betrachtet werden. Im Gegensatz zu Physikern sind neuronale Netzwerke weniger vorhersehbar und schwieriger zu interpretieren.

Künstliche Intelligenz und wissenschaftliche Entdeckungen

Einer der Tests bestand darin, dem Netzwerk simulierten Daten über die Bewegungen des Mars und der Sonne, wie sie von der Erde aus gesehen werden, zu geben. Die Umlaufbahn des Mars um die Sonne erscheint unvorhersehbar und kehrt oft ihren Kurs um. Es war im 16. Jahrhundert, als Nicolaus Copernicus entdeckte, dass einfachere Formeln verwendet werden können, um die Bewegungen der Planeten um die Sonne vorherzusagen.

Als das neuronale Netzwerk “ähnliche Formeln für die Bahn des Mars wiederentdeckte”, entdeckte es eines der wichtigsten Stücke von Wissen in der Geschichte wieder.

Mario Krenn ist Physiker an der Universität Toronto in Kanada und arbeitet an der Verwendung künstlicher Intelligenz, um wissenschaftliche Entdeckungen zu machen.

SciNet hat “eine der wichtigsten Paradigmenverschiebungen in der Geschichte der Wissenschaft wiederentdeckt”, sagte er.

Laut Renner werden Menschen immer noch benötigt, um die Gleichungen zu interpretieren und zu bestimmen, wie sie mit der Bewegung der Planeten um die Sonne in Verbindung stehen.

Hod Lipson ist Roboter-Ingenieur an der Columbia-Universität in New York City.

“Diese Arbeit ist wichtig, weil sie in der Lage ist, die entscheidenden Parameter herauszufiltern, die ein physikalisches System beschreiben”, sagt er. “Ich denke, dass diese Art von Techniken unsere einzige Hoffnung sind, um komplexe Phänomene in der Physik und darüber hinaus zu verstehen und mitzuhalten.”