Ny AI Kan Upptäcka Dolda Fysikaliska Lagar

En ny artificiell intelligens (AI) teknik som kan upptäcka dolda fysikaliska lagar har utvecklats av forskare vid Kobe University och Osaka University. AI:n kan extrahera dolda rörelseekvationer från regelbunden observationsdata, som sedan används för att skapa en modell baserad på fysikens lagar. 

Den nya utvecklingen kan möjliggöra för experter att upptäcka de dolda rörelseekvationerna bakom fenomen som är oförklarliga. 

Forskarteamet bestod av associate professor Yaguchi Takaharu och Ph.D.-student Chen Yuhan från Kobe University, samt associate professor Matsubara Takashi från Osaka University.

Forskningen presenterades förra månaden vid Thirty-fifth Conference on Neural Information Processing Systems (NeurlPS2021).

Att Förutsäga Fysikaliska Fenomen 

För att göra förutsägelser om fysikaliska fenomen förlitar sig experter vanligtvis på simuleringar med superdatorer. Simuleringarna använder matematiska modeller baserade på fysikens lagar, men resultaten kan vara opålitliga om modellen är tvivelaktig. Det är därför viktigt att ha en metod för att producera tillförlitliga modeller från observationsdata av fenomen. 

Den nya forskningen har utvecklat en metod för att upptäcka nya rörelseekvationer i observationsdata. Tidigare forskning har fokuserat på att upptäcka rörelseekvationer från data, men vissa krävde att data var i rätt format. Problemet är att det finns många tillfällen där experter inte vet vilket dataformat som ska användas, så det är svårt att tillämpa realistiska data.

Att Belysa Okända Geometriska Egenskaper 

Forskarna har mött utmaningen genom att belysa de okända geometriska egenskaperna bakom fenomen. Detta har möjliggjort för dem att utveckla en AI som kan hitta dessa geometriska egenskaper i data. Om AI:n kan extrahera rörelseekvationer från data, kan ekvationerna sedan användas för att skapa modeller och simuleringar som följer fysikens lagar. 

Fysiska simuleringar sker inom områden som väderprognoser, läkemedelsupptäckt och bildesign. Men de kräver vanligtvis omfattande beräkningar. Om AI kan lära sig från data om specifika fenomen och konstruera småskaliga modeller med den nya metoden, kan beräkningarna förenklas, påskyndas och vara trogna mot fysikens lagar. 

Metoden kan också tillämpas inom områden som inte är relaterade till fysik, vilket möjliggör fysikbaserade undersökningar och simuleringar för fenomen som tidigare ansågs omöjliga att förklara. Ett exempel är att den kan användas för att hitta en dold rörelseekvation i data om djurpopulationer som visar förändringen i antalet individer, vilket kan ge insikter i ekosystemets hållbarhet.