211service.com
Kam reikalingas Copernicus, jei turite mašininį mokymąsi?
Fizikos dėsniai, vieni didžiausių žmonijos atradimų, atsirado per daugelį šimtmečių vykstant procesui, kuriam dažnai turėjo įtakos žymūs to meto mąstytojai. Šis procesas padarė didelę įtaką mokslo evoliucijai ir sudaro įspūdį, kad kai kurie dėsniai negalėjo būti atrasti be ankstesnių amžių žinios.
Pavyzdžiui, kvantinė mechanika remiasi klasikine mechanika, naudojant įvairias tuo metu iškilusias matematines idėjas.
Tačiau galbūt yra ir kitas būdas atrasti fizikos dėsnius, nepriklausantį nuo supratimo, kurį jau įgijome apie visatą.
Šiandien Rabanas Itenas, Tony Metgeris ir kolegos iš ETH Ciuricho Šveicarijoje teigia sukūrę būtent tokį metodą ir panaudoję jį fizikos dėsniams atrasti visiškai nauju būdu. Ir jie sako, kad gali būti įmanoma naudoti šį metodą norint rasti visiškai naujas fizikinių dėsnių formuluotes.
Pirma, šiek tiek fono. Fizikos dėsniai yra paprasti vaizdiniai, kuriuos galima apklausti norint gauti informacijos apie sudėtingesnius scenarijus. Įsivaizduokite, kad pajudinate švytuoklę ir paklausite, kur ateityje bus švytuoklės pagrindas. Vienas iš būdų į tai atsakyti yra išmatuoti švytuoklės padėtį jai svyruojant. Tada šie duomenys gali būti naudojami kaip tam tikra paieškos lentelė atsakymui rasti. Tačiau judėjimo dėsniai suteikia daug lengvesnį būdą rasti atsakymą: tiesiog prijunkite įvairių kintamųjų reikšmes į atitinkamą lygtį. Tai taip pat suteikia teisingą atsakymą. Štai kodėl lygtis gali būti laikoma suspausta tikrovės reprezentacija.
Tai iš karto rodo, kaip neuroniniai tinklai gali rasti šiuos įstatymus. Atsižvelgiant į kai kuriuos eksperimento pastebėjimus, pavyzdžiui, siūbuojančią švytuoklę, tikslas yra rasti paprastesnį šių duomenų atvaizdavimą.
„Iten“, „Metger“ ir „co“ idėja yra pateikti šiuos duomenis į mašiną, kad ji išmoktų tiksliai nuspėti padėtį. Kai mašina tai išmoksta, ji gali numatyti padėtį pagal bet kurią pradinę sąlygą. Kitaip tariant, jis išmoko atitinkamą fizikos dėsnį.
Siekdami išsiaiškinti, ar tai veikia, tyrėjai pateikia duomenis iš svyruojančios švytuoklės eksperimento į neuroninį tinklą, vadinamą SciNet. Jie kartoja tai eksperimentams, apimantiems dviejų rutulių susidūrimą, kvantinio matavimo kubitu rezultatus ir net planetų bei saulės padėtis naktiniame danguje.
Rezultatai leidžia įdomiai skaityti. Naudodamas švytuoklės duomenis, SciNet gali numatyti būsimą švytuoklės dažnį su mažesne nei 2 procentų paklaida.
Be to, „Iten“, „Metger“ ir kiti gali apklausti „SciNet“, kad sužinotų, kaip ji gauna atsakymą. Deja, tai neatskleidžia tikslios lygties, tačiau tai rodo, kad tinklas naudoja tik du kintamuosius, kad pateiktų sprendimą. Tai lygiai toks pat skaičius, kaip ir atitinkamuose judėjimo dėsniuose.
Bet tai dar ne viskas. SciNet taip pat pateikia tikslias dviejų rutulių kampinio impulso prognozes jiems susidūrus. Tai įmanoma tik išsaugant impulsą, kurio versiją, atrodo, atrado SciNet. Jis taip pat numato matavimo tikimybes, kai apklausiamas kubitas, aiškiai naudojant tam tikrą kvantinio pasaulio vaizdą.
Bene įspūdingiausia yra tai, kad tinklas išmoksta numatyti būsimą Marso ir saulės padėtį, naudodamas pradinę padėtį, žiūrint iš Žemės. Tai įmanoma tik naudojant heliocentrinį Saulės sistemos modelį – idėją, kurią žmonėms įgyvendinti prireikė šimtmečių.
Ir iš tiesų, „SciNet“ apklausa rodo, kad jis išmoko būtent tokį heliocentrinį vaizdą. SciNet išsaugo Žemės ir Marso kampus, matomus iš Saulės, dviejuose latentiniuose neuronuose, tai yra, atkuria heliocentrinį Saulės sistemos modelį, teigia mokslininkai.
Tai įspūdingas darbas, tačiau jį reikia žiūrėti į perspektyvą. Tai gali būti pirmasis įrodymas, kad dirbtinis neuroninis tinklas gali suspausti duomenis tokiu būdu, kuris atskleistų fizikos dėsnių aspektus. Tačiau tai ne pirmas kartas, kai skaičiavimo metodas išveda šiuos dėsnius.
Prieš kelerius metus Kornelio universiteto kompiuterių mokslininkai naudojo genetinį algoritmą, kuris išnaudoja evoliucijos procesą, kad iš eksperimentinių duomenų išvestų daugybę fizikos dėsnių. Tai apėmė energijos ir impulso išsaugojimo įstatymus. Sistema netgi išspjovė pačią lygtį, o ne tik užuominą apie tai, kaip ji skaičiuojama, kaip tai daro SciNet.
Akivaizdu, kad evoliuciniai algoritmai turi pranašumą atrandant fizikos dėsnius naudojant neapdorotus eksperimentinius duomenis. (Atsižvelgiant į tai, kad evoliucija yra procesas, kuris pirmiausia sukūrė biologinius neuroninius tinklus, galima ginčytis, kad tai amžinai bus galingesnis metodas.)
Visa tai turi įdomią pasekmę. Žmonijai prireikė šimtmečių, kol atrado fizikos dėsnius, dažnai tokiais būdais, kurie labai priklausė nuo anksčiau atrastų dėsnių. Pavyzdžiui, kvantinė mechanika remiasi klasikine mechanika. Ar gali būti geresnių dėsnių, kuriuos būtų galima išvesti iš eksperimentinių duomenų be jokių išankstinių fizikos žinių?
Jei taip, šis mašininio mokymosi metodas arba evoliucija pagrįstas turėtų būti būtent tai, ko reikia norint juos rasti.
Nuoroda: arxiv.org/abs/1807.10300 : Fizinių sąvokų atradimas naudojant neuroninius tinklus