AI lærer seg fysikkens lover

I et monumentalt øyeblikk både for AI og fysikk, har et neuralt nettverk “gjenoppdaget” at Jorden går i bane rundt Solen. Den nye utviklingen kan være kritisk for å løse kvantemekaniske problemer, og forskerne håper at den kan brukes til å oppdage nye fysikklover ved å identifisere mønster i store datasamlinger. 

Det neurale nettverket, kalt SciNet, ble matet med målinger som viser hvordan Solen og Mars ser ut fra Jorden. Forskere ved det sveitsiske føderale teknologiske universitetet ga deretter SciNet i oppdrag å forutsi hvor Solen og Mars ville være på forskjellige tidspunkter i fremtiden. 

Forskningen vil bli publisert i Physical Review Letters. 

Design av algoritmen

Teamet, inkludert fysikeren Renato Renner, satte ut å gjøre algoritmen i stand til å destillere store datasamlinger ned til grunnleggende formularer. Dette er det samme systemet som fysikere bruker når de kommer opp med ligninger. For å gjøre dette, måtte forskerne basere det neurale nettverket på menneskehjernen. 

Formularene som ble generert av SciNet plasserte Solen i sentrum av vårt solsystem. En av de bemerkelsesverdige aspektene ved denne forskningen var at SciNet gjorde dette på en lignende måte som astronomen Nicolaus Copernicus oppdaget heliosentrisitet. 

Teamet fremhevet dette i en artikkel publisert på forhåndstrykk-repositoriet arXiv. 

“På 1500-tallet målte Copernicus vinklene mellom en fjern stjerne og flere planeter og himmellegemer, og hypoteserte at Solen, og ikke Jorden, er i sentrum av vårt solsystem, og at planetene beveger seg rundt Solen i enkle baner,” skrev teamet. “Dette forklarer de kompliserte banene som sees fra Jorden.”

Teamet prøvde å få SciNet til å forutsi bevegelsene til Solen og Mars på den enkleste måten mulig, så SciNet bruker to undernettverk til å sende informasjon frem og tilbake. Ett av nettverkene analyserer dataene og lærer av dem, og det andre nettverket gjør forutsigelser og tester nøyaktigheten basert på denne kunnskapen. Fordi disse nettverkene er koblet sammen med bare noen få lenker, blir informasjonen komprimert og kommunikasjonen enklere. 

Konvensjonelle neurale nettverk lærer å identifisere og gjenkjenne objekter gjennom store datasamlinger, og de genererer trekk. Disse blir deretter kodet i matematiske “noder”, som regnes som den kunstige ekvivalenten til nerveceller. I motsetning til fysikere er neurale nettverk mer uforutsigbare og vanskelige å tolke. 

Kunstig intelligens og vitenskapelige oppdagelser 

En av testene involverte å gi nettverket simuleringsdata om bevegelsene til Mars og Solen, sett fra Jorden. Banen til Mars rundt Solen ser ut til å være uforutsigbar og ofte reverserer den retningen. Det var på 1500-tallet at Nicolaus Copernicus oppdaget at enklere formularer kunne brukes til å forutsi bevegelsene til planetene som går i bane rundt Solen. 

Når det neurale nettverket “oppdaget” lignende formularer for Mars’ bane, gjenoppdaget det en av de viktigste kunnskapsdelene i historien. 

Mario Krenn er en fysiker ved University of Toronto i Canada, og han arbeider med å bruke kunstig intelligens til å gjøre vitenskapelige oppdagelser. 

SciNet gjenoppdaget “en av de viktigste paradigmeskiftene i vitenskapens historie,” sa han. 

Ifølge Renner er mennesker fortsatt nødvendige for å tolke ligningene og bestemme hvordan de er koblet til bevegelsene til planetene rundt Solen. 

Hod Lipson er en robotforsker ved Columbia University i New York City. 

“Dette arbeidet er viktig fordi det kan trekke ut de viktige parameterne som beskriver et fysisk system,” sier han. “Jeg tror at disse typene teknikk er vår eneste håp om å forstå og holde pace med stadig mer komplekse fenomener, i fysikk og utenfor.”