DI fizikas gali išvesti įsivaizduojamų visatų gamtos dėsnius

silvaras | flickr

Būdamas studentas, Galilėjus puikiai stebėjo Pizos katedroje siūbuojančią lempą ir nustatė jos siūbavimą pagal savo pulsą. Jis padarė išvadą, kad laikotarpis buvo pastovus ir nepriklauso nuo jo amplitudės.

„Galileo“ teigė, kad švytuoklė gali valdyti laikrodį, ir vėliau sukūrė tokią mašiną, nors pirmąjį tokio tipo laikrodį Huygensas pastatė praėjus maždaug 15 metų po Galilėjaus mirties.

Darydamas šį atradimą, Galilėjaus genialumas buvo ignoruoti visas netvarkingas detales, kurios kitu atveju buvo katedroje – oro pasipriešinimą, temperatūrą, mirgančią šviesą, triukšmą, kitus žmones ir pan. Jis svarstė paprastą siūbuojančios lempos modelį, kuriame naudojamas tik jo laikotarpis, sutelkiant dėmesį į iškiliausias detales.

Daugeliui istorikų „Galileo“ metodas yra ankstyviausias mokslinio metodo evoliucijos etapas, tas pats procesas, kuris sukūrė skrydį, kvantinę teoriją, elektroninį skaičiavimą, bendrąjį reliatyvumą ir net dirbtinį intelektą.

Pastaraisiais metais dirbtinio intelekto sistemos pradėjo rasti įdomių duomenų šablonų ir dėl to netgi išvedė tam tikrus fizikos dėsnius. Tačiau tokiais atvejais AI visada tyrinėjo specialų duomenų rinkinį, kuris buvo izoliuotas nuo realaus pasaulio blaškymosi. Šių dirbtinio intelekto sistemų galimybės labai skiriasi nuo tokių žmonių, kaip „Galileo“, gebėjimų.

Ir tai kelia įdomų klausimą: ar įmanoma sukurti AI sistemą, kuri plėtotų teorijas taip, kaip tai darė „Galileo“, įvertindama informaciją, kurios jai reikia norint paaiškinti skirtingus stebimo pasaulio aspektus?

Šiandien mes gauname atsakymą dėl Tailino Wu ir Maxo Tegmarko darbo MIT Kembridže, Masačusetso valstijoje. Šie vaikinai sukūrė dirbtinio intelekto sistemą, kuri kopijuoja Galileo metodą ir kai kuriuos kitus gudrybes, kurių fizikai išmoko per šimtmečius. Jų sistema, vadinama AI Physicist, gali atskleisti keletą fizikos dėsnių paslaptinguose pasauliuose, kurie yra sąmoningai sukurti, kad imituotų mūsų visatos sudėtingumą.

Wu ir Tegmark pirmiausia nustato reikšmingą šiuolaikinių AI sistemų silpnumą. Gavę didelį duomenų rinkinį, jie paprastai ieško vienos teorijos, kuri valdytų visą dalyką. Tačiau tai darosi vis sunkiau, kuo didesnis ir netvarkingesnis duomenų rinkinys.

Iš tiesų, katedros viduje būtų praktiškai neįmanoma aplinka bet kuriai dabartinei AI sistemai, kad būtų galima išgauti fizikos dėsnius.

Norėdami susidoroti su šia problema, fizikai naudoja daugybę mąstymo procesų, kad supaprastintų problemą. Pirmasis yra sukurti teorijas, kurios apibūdina tik nedidelę duomenų rinkinio dalį. Tai sukuria daugybę teorijų, kurios visos apibūdina skirtingus duomenų aspektus, pavyzdžiui, kvantinę mechaniką ir reliatyvumą.

Wu ir Tegmark sukūrė AI Physicist, kad dideliais duomenų rinkiniais būtų elgiamasi taip pat.

Kita bendra taisyklė, kurią naudoja fizikai, yra Occam skustuvas – idėja, kad paprastesni paaiškinimai yra geresni. Štai kodėl fizikai paprastai atmeta teorijas, reikalaujančias, kad pagrindinis variklis sukurtų visatą, Žemę ar pačią gyvybę: tariamas pagrindinio variklio egzistavimas kelia papildomų klausimų apie jo prigimtį ir kilmę.

AI sistemos yra gerai žinomos dėl to, kad sukuria pernelyg sudėtingus modelius, apibūdinančius duomenis, kurių jie mokomi. Taigi Wu ir Tegmark taip pat moko savo sistemą teikti pirmenybę paprastesnėms teorijoms, o ne sudėtingesnėms. Jie tai daro naudodami paprastą sudėtingumo matą, pagrįstą teorijoje sukauptos informacijos kiekiu.

Kitas garsus fizikų triukas yra ieškoti būdų, kaip suvienodinti teorijas. Jei viena teorija gali atlikti dviejų darbą, tai tikriausiai geriau. Tai paskatino fizikus ieškoti vieno dėsnio, kuris juos visus valdytų (nors faktinių įrodymų, kad tokia teorija egzistuoja, yra mažai).

Paskutinis principas, padėjęs fizikams pasisekti, yra mokymasis visą gyvenimą: mintis, kad jei tam tikras požiūris veikė praeityje, jis gali padėti spręsti ateities problemas. Taigi Wu ir Tegmarko AI fizikas prisimena išmoktus sprendimus ir bando juos spręsti būsimose problemose.

Apsiginklavę šiais metodais Wu ir Tegmarkas įvedė savo dirbtinio intelekto fiziką. Jie tai daro sukūrę 40 paslaptingų pasaulių, kuriuos valdo fizikos dėsniai, kurie įvairiose vietose skiriasi. Taigi rutulys, įmestas į vieną iš šių pasaulių, iš pradžių gali nukristi veikiamas gravitacijos į sritį, valdomą elektromagnetinio potencialo, tada į sritį, kurią valdo harmoninis potencialas ir pan.

Wu ir Tegmarkas užduoda klausimą, ar jų AI fizikas gali išvesti atitinkamus fizikos dėsnius tiesiog žiūrėdamas į rutulio judėjimą laikui bėgant. Ir jie lygina AI fiziko elgesį su naujagimio fiziko elgesiu, kuris naudoja tą patį metodą, bet neturi mokymosi visą gyvenimą naudos, taip pat su įprastu neuroniniu tinklu.

Pasirodo, tiek AI fizikas, tiek naujagimio fizikas gali išvesti atitinkamus dėsnius. Abu agentai gali išspręsti daugiau nei 90% visų 40 paslapčių pasaulių, sako jie.

Pagrindinis AI Physicist pranašumas, palyginti su naujagimio agentu, yra tas, kad jis greičiau mokosi naudodamas mažiau duomenų. Tai panašu į tai, kad patyręs mokslininkas naujas problemas gali išspręsti greičiau nei pradedantysis, remdamasis ankstesnėmis žiniomis apie panašias problemas, sako Wu ir Tegmarkas.

Ir jų sistema yra žymiai geresnė nei įprastas neuroninis tinklas. Mūsų [AI fizikas] paprastai mokosi greičiau ir sukuria maždaug milijardą kartų mažesnes vidutines kvadratines prognozes, nei standartinis panašaus sudėtingumo neuroninis tinklas.

Tai įspūdingas darbas, rodantis, kad AI sistemos gali turėti didelės įtakos mokslo eigai. Žinoma, tikrasis išbandymas bus leisti dirbtinio intelekto fizikui atsilaisvinti tikroje aplinkoje, pvz., Pizos katedros viduje, ir pamatyti, ar jis išveda mechaninių laikrodžių principą.

Arba galbūt paleisti jį kituose sudėtinguose duomenų rinkiniuose, pavyzdžiui, tuos, kurie nuolat glumina ekonomistus, biologus ir klimato mokslininkus. Čia tikrai yra žemai kabančių vaisių sistemai, galinčiai juos surinkti.

Ir jei dirbtinio intelekto fizikas bus sėkmingas, mokslo istorikai gali žiūrėti į tai kaip į vieną iš pirmųjų žingsnių naujoje mokslinio metodo evoliucijos epochoje už Galilėjaus ir jo kolegų žmonių. Nežinia, kur tai gali mus nuvesti.

Nuoroda: arxiv.org/abs/1810.10525 : AI fiziko link neprižiūrimo mokymosi link

paslėpti