Trí tuệ nhân tạo tự học các định luật vật lý

Trong một khoảnh khắc lịch sử của cả trí tuệ nhân tạo và vật lý, một mạng lưới thần kinh đã “tái khám phá” rằng Trái đất quay quanh Mặt trời. Phát triển mới này có thể là then chốt trong việc giải quyết các vấn đề về cơ học lượng tử, và các nhà nghiên cứu hy vọng rằng nó có thể được sử dụng để khám phá các định luật vật lý mới bằng cách xác định các mẫu trong các tập dữ liệu lớn.

Mạng lưới thần kinh, được đặt tên là SciNet, đã được cung cấp các đo lường cho thấy Mặt trời và Sao Hỏa xuất hiện từ Trái đất. Các nhà khoa học tại Viện Công nghệ Liên bang Thụy Sĩ sau đó đã giao nhiệm vụ cho SciNet dự đoán vị trí của Mặt trời và Sao Hỏa tại các thời điểm khác nhau trong tương lai.

Nghiên cứu sẽ được công bố trên Tạp chí Vật lý Letters.

Thiết kế thuật toán

Đội ngũ nghiên cứu, bao gồm nhà vật lý học Renato Renner, đã đặt ra mục tiêu tạo ra thuật toán có khả năng chiết xuất các tập dữ liệu lớn thành các công thức cơ bản. Đây là hệ thống tương tự như hệ thống được sử dụng bởi các nhà vật lý khi tạo ra các phương trình. Để làm được điều này, các nhà nghiên cứu đã phải dựa trên mạng lưới thần kinh vào não bộ con người.

Các công thức được tạo ra bởi SciNet đã đặt Mặt trời tại trung tâm của hệ thống Mặt trời của chúng ta. Một trong những khía cạnh đáng chú ý của nghiên cứu này là SciNet đã làm được điều này tương tự như cách nhà thiên văn học Nicolaus Copernicus khám phá ra tính chất trung tâm của Mặt trời.

Đội ngũ nghiên cứu đã nhấn mạnh điều này trong một bài báo được công bố trên kho lưu trữ tiền in arXiv.

“Vào thế kỷ 16, Copernicus đã đo lường các góc giữa một ngôi sao cố định xa xôi và các hành tinh và các thiên thể khác và đưa ra giả thuyết rằng Mặt trời, chứ không phải Trái đất, là trung tâm của hệ thống Mặt trời của chúng ta và các hành tinh di chuyển quanh Mặt trời theo các quỹ đạo đơn giản,” đội ngũ nghiên cứu đã viết. “Điều này giải thích các quỹ đạo phức tạp như được quan sát từ Trái đất.”

Đội ngũ nghiên cứu đã cố gắng để SciNet dự đoán các chuyển động của Mặt trời và Sao Hỏa theo cách đơn giản nhất có thể, vì vậy SciNet sử dụng hai mạng lưới con để gửi thông tin qua lại. Một trong các mạng lưới phân tích dữ liệu và học hỏi từ nó, và mạng lưới còn lại tạo ra dự đoán và kiểm tra độ chính xác dựa trên kiến thức đó. Bởi vì các mạng lưới này được kết nối với nhau bằng chỉ một vài liên kết, thông tin được nén và giao tiếp trở nên đơn giản hơn.

Các mạng lưới thần kinh thông thường học cách xác định và nhận biết các đối tượng thông qua các tập dữ liệu lớn, và chúng tạo ra các tính năng. Những tính năng này sau đó được mã hóa trong các nút toán học, được coi là tương đương nhân tạo của các nơ-ron. Không giống như các nhà vật lý, các mạng lưới thần kinh khó dự đoán và giải thích hơn.

Trí tuệ nhân tạo và khám phá khoa học

Một trong các thử nghiệm liên quan đến việc cung cấp cho mạng lưới dữ liệu mô phỏng về các chuyển động của Sao Hỏa và Mặt trời, như được quan sát từ Trái đất. Quỹ đạo của Sao Hỏa quanh Mặt trời xuất hiện không thể đoán trước và thường thay đổi hướng. Vào những năm 1500, Nicolaus Copernicus đã khám phá ra rằng các công thức đơn giản hơn có thể được sử dụng để dự đoán các chuyển động của các hành tinh quay quanh Mặt trời.

Khi mạng lưới thần kinh “khám phá” các công thức tương tự cho quỹ đạo của Sao Hỏa, nó đã tái khám phá một trong những kiến thức quan trọng nhất trong lịch sử.

Mario Krenn là một nhà vật lý tại Đại học Toronto ở Canada, và ông làm việc về việc sử dụng trí tuệ nhân tạo để thực hiện các khám phá khoa học.

SciNet đã tái khám phá “một trong những sự thay đổi lớn nhất của mô hình trong lịch sử khoa học,” ông nói.

Theo Renner, con người vẫn cần thiết để giải thích các phương trình và xác định cách chúng liên quan đến chuyển động của các hành tinh quanh Mặt trời.

Hod Lipson là một nhà robot học tại Đại học Columbia ở Thành phố New York.

“Công việc này quan trọng vì nó có thể xác định các tham số quan trọng mô tả một hệ thống vật lý,” ông nói. “Tôi nghĩ rằng những kỹ thuật như vậy là hy vọng duy nhất của chúng ta để hiểu và theo kịp các hiện tượng ngày càng phức tạp, trong vật lý và ngoài vật lý.”