En AI-fysiker kan udlede naturlovene i forestillede universer

sylvar | flickr

Som studerende observerede Galileo berømt en lampe svinge i Pisa-katedralen og timede dens sving i forhold til hans puls. Han konkluderede, at perioden var konstant og uafhængig af dens amplitude.

Galileo fortsatte med at foreslå, at et pendul kunne styre et ur og designet senere en sådan maskine, selvom det første ur af denne type blev bygget af Huygens omkring 15 år efter Galileos død.

Ved at gøre denne opdagelse var Galileos geni at ignorere alle de rodede detaljer, der ellers var til stede i katedralen - luftmodstand, temperatur, flimrende lys, støj, andre mennesker og så videre. Han betragtede en simpel model af en svingende lampe, der kun brugte dens periode, med fokus på den fremtrædende detalje.

For mange historikere repræsenterer Galileos tilgang det tidligste stadie i udviklingen af ​​den videnskabelige metode, den samme proces, der har produceret flyvning, kvanteteori, elektronisk databehandling, generel relativitetsteori og endda kunstig intelligens.

I de senere år er AI-systemer begyndt at finde interessante mønstre i data selv og afledte endda visse fysiske love som et resultat. Men i disse tilfælde studerede AI'en altid et særligt datasæt, der var blevet isoleret fra virkelige distraktioner. Disse AI-systemers evne er langt fra evnen hos mennesker som Galileo.

Og det rejser et interessant spørgsmål: er det muligt at designe et AI-system, der udvikler teorier på den måde, Galileo gjorde, ved at nulstille den information, den har brug for for at forklare forskellige aspekter af den verden, den observerer?

I dag får vi et svar takket være Tailin Wu og Max Tegmarks arbejde ved MIT i Cambridge, Massachusetts. Disse fyre har udviklet et AI-system, der kopierer Galileos tilgang og nogle af de andre tricks, som fysikere har lært gennem århundreder. Deres system - kaldet AI Physicist - er i stand til at drille adskillige fysiklove i mysterieverdener, der bevidst er konstrueret til at simulere kompleksiteten af ​​vores univers.

Wu og Tegmark begynder med at identificere en væsentlig svaghed ved moderne AI-systemer. Når de får et stort datasæt, leder de typisk efter en enkelt teori, der styrer det hele. Men det bliver stadig sværere, jo større og mere rodet datasættet bliver.

Faktisk ville indersiden af ​​en katedral være et praktisk talt umuligt miljø for ethvert nuværende AI-system at mine efter fysikalske love.

For at klare dette problem bruger fysikere en række tankeprocesser til at forenkle problemet. Den første er at udvikle teorier, der kun beskriver en lille del af datasættet. Det producerer flere teorier, der alle beskriver forskellige aspekter af dataene - som kvantemekanik og relativitet, for eksempel.

Wu og Tegmark har udviklet AI Physicist til at behandle store datasæt på samme måde.

En anden generel regel, som fysikere bruger, er Occam's Razor - ideen om, at enklere forklaringer er bedre. Det er derfor, fysikere generelt afviser teorier, der kræver en primus motor for at skabe universet, eller jorden eller livet selv: den formodede eksistens af en primus motor rejser et yderligere sæt spørgsmål om dets natur og oprindelse.

AI-systemer er velkendte for at producere alt for komplekse modeller til at beskrive de data, de trænes på. Så Wu og Tegmark lærer også deres system at foretrække enklere teorier frem for mere komplekse. De gør dette ved at bruge et ligetil mål for kompleksitet baseret på mængden af ​​information, teorien indkapsler.

Et andet berømt fysikeres trick er at lede efter måder at forene teorier på. Hvis én teori kan gøre arbejdet med to, er det sandsynligvis bedre. Dette har drevet fysikernes søgen efter at finde den ene lov, der styrer dem alle (selvom der ikke er meget i vejen for faktiske beviser for, at en sådan teori eksisterer).

Et sidste princip, der har hjulpet fysikere med at klare sig godt, er livslang læring: ideen om, at hvis en bestemt tilgang fungerede i fortiden, kunne den virke på fremtidige problemer. Så Wu og Tegmarks AI-fysiker husker lærte løsninger og prøver dem på fremtidige problemer.

Bevæbnet med disse teknikker satte Wu og Tegmark deres AI-fysiker igennem sine trin. Det gør de ved at udtænke 40 mystiske verdener, der er styret af fysiske love, der varierer fra sted til sted. Så en bold kastet ind i en af ​​disse verdener kan til at begynde med falde under tyngdekraften ind i et område styret af et elektromagnetisk potentiale, derefter ind i et område styret af et harmonisk potentiale og så videre.

Spørgsmålet, som Wu og Tegmark stiller, er, om deres AI-fysiker kan udlede de relevante fysiske love blot ved at se på boldens bevægelse over tid. Og de sammenligner AI-fysikerens adfærd med en nyfødt fysikers adfærd, der bruger den samme tilgang, men uden fordelen ved livslang læring, såvel som med et konventionelt neuralt netværk.

Det viser sig, at både AI-fysikeren og den nyfødte fysiker kan udlede de relevante love. Begge agenter er i stand til at løse over 90% af alle de 40 mysterieverdener, siger de.

Den største fordel ved AI Physicist i forhold til Newborn-agenten er, at den lærer hurtigere ved at bruge mindre af dataene. Det ligner meget, at en erfaren videnskabsmand kan løse nye problemer langt hurtigere end en nybegynder ved at bygge på tidligere viden om lignende problemer, siger Wu og Tegmark.

Og deres system er væsentligt bedre end et konventionelt neuralt netværk. Vores [AI-fysiker] lærer typisk hurtigere og producerer middelkvadrat-forudsigelsesfejl omkring en milliard gange mindre end et standard feedforward neuralt net af sammenlignelig kompleksitet, siger de.

Det er imponerende arbejde, der tyder på, at AI-systemer kan have en betydelig indflydelse på den måde, videnskaben skrider frem. Selvfølgelig vil den virkelige test være at lade AI-fysikeren slippe løs i et virkeligt miljø, såsom indersiden af ​​Pisa-katedralen, og se, om den udleder princippet bag mekaniske ure.

Eller måske for at slippe det løs på andre komplekse datasæt, såsom dem, der regelmæssigt forvirrer økonomer, biologer og klimaforskere. Der er helt sikkert lavthængende frugter her til et system, der er i stand til at samle det.

Og hvis AI-fysikeren har succes, kan videnskabshistorikere meget vel se tilbage på det som et af de første skridt i en ny æra af evolution for den videnskabelige metode ud over Galileo og hans menneskelige kolleger. Der er ingen at sige, hvor det kan føre os hen.

Ref: arxiv.org/abs/1810.10525 : Mod en AI-fysiker til uovervåget læring

skjule