211service.com
Hvem har brug for Copernicus, hvis du har maskinlæring?
Fysikkens love, blandt menneskehedens største opdagelser, er opstået gennem mange århundreder i en proces, der ofte er påvirket af tidens fremtrædende tænkere. Denne proces har haft en dybtgående indflydelse på videnskabens udvikling og giver indtryk af, at nogle love ikke kunne være blevet opdaget uden tidligere tidsaldres viden.
Kvantemekanik er for eksempel bygget på klassisk mekanik ved hjælp af forskellige matematiske ideer, der var fremtrædende på det tidspunkt.
Men måske er der en anden måde at opdage fysikkens love på, som ikke afhænger af den forståelse, vi allerede har fået om universet.
I dag siger Raban Iten, Tony Metger og kolleger ved ETH Zürich i Schweiz, at de har udviklet netop sådan en metode og brugt den til at opdage fysikkens love på en helt ny måde. Og de siger, at det kan være muligt at bruge denne metode til at finde helt nye formuleringer af fysiske love.
Først lidt baggrund. Fysikkens love er simple repræsentationer, der kan undersøges for at give information om mere komplekse scenarier. Forestil dig, at du sætter et pendul i bevægelse og spørger, hvor bunden af pendulet vil være på et tidspunkt i fremtiden. En måde at besvare dette på er ved at måle pendulets position, mens det svinger. Disse data kan så bruges som en slags opslagstabel til at finde svaret. Men bevægelseslovene giver en meget nemmere måde at finde svaret på: Sæt blot værdier for de forskellige variable i den passende ligning. Det giver også det rigtige svar. Derfor kan ligningen opfattes som en komprimeret repræsentation af virkeligheden.
Dette antyder umiddelbart, hvordan neurale netværk kan finde disse love. Givet nogle observationer fra et eksperiment - et svingende pendul, for eksempel - er målet at finde en enklere repræsentation af disse data.
Idéen fra Iten, Metger og co er at føre disse data ind i maskinen, så den lærer at lave en nøjagtig forudsigelse af positionen. Når maskinen har lært dette, kan den forudsige positionen ud fra et hvilket som helst indledende sæt betingelser. Med andre ord har den lært den relevante fysiklov.
For at finde ud af, om dette virker, fodrer forskerne data fra et eksperiment med svingende pendul ind i et neuralt netværk, de kalder SciNet. De fortsætter med at gentage dette for eksperimenter, der inkluderer kollisionen af to bolde, resultaterne af en kvantemåling på en qubit og endda positionerne af planeterne og solen på nattehimlen.
Resultaterne giver interessant læsning. Ved hjælp af penduldataene er SciNet i stand til at forudsige den fremtidige frekvens af pendulet med en fejl på mindre end 2 procent.
Desuden er Iten, Metger og co i stand til at udspørge SciNet for at se, hvordan det kommer frem til svaret. Dette afslører ikke den præcise ligning, desværre, men det viser, at netværket kun bruger to variabler til at komme med løsningen. Det er nøjagtigt det samme antal som i de relevante bevægelseslove.
Men det er ikke alt. SciNet giver også præcise forudsigelser af vinkelmomentet for to bolde, efter at de er stødt sammen. Det er kun muligt ved at bevare momentum, en version som SciNet ser ud til at have opdaget. Den forudsiger også målingssandsynligheder, når en qubit bliver forespurgt, tydeligt ved at bruge en vis repræsentation af kvanteverdenen.
Det mest imponerende er måske, at netværket lærer at forudsige Mars's og solens fremtidige position ved hjælp af udgangspositionen set fra Jorden. Det er kun muligt ved hjælp af en heliocentrisk model af solsystemet, en idé, som mennesker tog århundreder at ramme på.
Og faktisk, et forhør af SciNet tyder på, at det har lært netop en sådan heliocentrisk repræsentation. SciNet gemmer vinklerne på Jorden og Mars set fra Solen i de to latente neuroner - det vil sige, at det genopretter den heliocentriske model af solsystemet, siger forskerne.
Det er imponerende arbejde, men det skal sættes i perspektiv. Dette kan være den første demonstration af, at et kunstigt neuralt netværk kan komprimere data på en måde, der afslører aspekter af fysikkens love. Men det er ikke første gang, at en beregningsmetode har udledt disse love.
For et par år siden brugte dataloger ved Cornell University en genetisk algoritme, der udnytter evolutionsprocessen til at udlede en række fysikaliske love fra eksperimentelle data. Disse omfattede bevarelseslove for energi og momentum. Systemet spyttede endda selve ligningen ud, ikke bare et hint om, hvordan det beregnede, som SciNet gør.
Det er klart, at evolutionære algoritmer har overtaget i processen med at opdage fysikkens love ved hjælp af rå eksperimentelle data. (I betragtning af at evolution er den proces, der producerede biologiske neurale netværk i første omgang, kan det argumenteres for, at det for altid vil være den mere kraftfulde tilgang.)
Der er en interessant konsekvens af alt dette. Det har taget menneskeheden århundreder at opdage fysikkens love, ofte på måder, der har været afgørende afhængige af tidligere opdagede love. For eksempel er kvantemekanik baseret på klassisk mekanik. Kunne der være bedre love, der kan udledes af eksperimentelle data uden nogen forudgående viden om fysik?
Hvis det er tilfældet, burde denne maskinlæringstilgang eller den, der er baseret på evolution, være præcis, hvad der er brug for for at finde dem.
Ref: arxiv.org/abs/1807.10300 : Opdagelse af fysiske begreber med neurale netværk