En AI-fysiker kan härleda naturlagarna i föreställda universum

sylvar | flickr

Som student såg Galileo berömt en lampa svänga i Pisas katedral och anpassade dess svängning mot hans puls. Han drog slutsatsen att perioden var konstant och oberoende av dess amplitud.

Galileo fortsatte med att föreslå att en pendel kunde styra en klocka och designade senare en sådan maskin, även om den första klockan av denna typ byggdes av Huygens cirka 15 år efter Galileos död.

När han gjorde denna upptäckt var Galileos geni att ignorera alla röriga detaljer som annars fanns i katedralen - luftmotstånd, temperatur, flimrande ljus, buller, andra människor och så vidare. Han övervägde en enkel modell av en svängande lampa som bara använde sin period, med fokus på den framträdande detaljen.

För många historiker representerar Galileos tillvägagångssätt det tidigaste stadiet i utvecklingen av den vetenskapliga metoden, samma process som har producerat flygning, kvantteori, elektronisk beräkning, allmän relativitetsteori och till och med artificiell intelligens.

På senare år har AI-system börjat hitta intressanta mönster i data själva och till och med härlett vissa fysiklagar som ett resultat. Men i dessa fall studerade AI alltid en speciell datamängd som hade isolerats från verkliga distraktioner. Förmågan hos dessa AI-system är långt ifrån förmågan hos människor som Galileo.

Och det väcker en intressant fråga: är det möjligt att designa ett AI-system som utvecklar teorier på det sätt som Galileo gjorde, genom att nollställa informationen den behöver för att förklara olika aspekter av världen den observerar?

Idag får vi ett svar, tack vare Tailin Wu och Max Tegmarks arbete vid MIT i Cambridge, Massachusetts. Dessa killar har utvecklat ett AI-system som kopierar Galileos tillvägagångssätt och några av de andra knep som fysiker har lärt sig genom århundradena. Deras system – kallat AI-fysikern – är kapabelt att reta ut flera fysiklagar i mysterievärldar som medvetet är konstruerade för att simulera komplexiteten i vårt universum.

Wu och Tegmark börjar med att identifiera en betydande svaghet hos moderna AI-system. När de ges en stor datamängd letar de vanligtvis efter en enda teori som styr det hela. Men det blir allt svårare ju större och mer rörig datamängden blir.

Faktum är att insidan av en katedral skulle vara en praktiskt taget omöjlig miljö för alla nuvarande AI-system att bryta efter fysikens lagar.

För att hantera detta problem använder fysiker ett antal tankeprocesser för att förenkla problemet. Den första är att utveckla teorier som endast beskriver en liten del av datamängden. Det producerar flera teorier som alla beskriver olika aspekter av data - som kvantmekanik och relativitetsteori, till exempel.

Wu och Tegmark har utvecklat AI Physicist för att behandla stora datamängder på samma sätt.

En annan generell regel som fysiker använder är Occam's Razor - tanken att enklare förklaringar är bättre. Det är därför fysiker i allmänhet bortser från teorier som kräver en drivkraft för att skapa universum, eller jorden eller livet självt: den förmodade existensen av en drivkraft väcker ytterligare en uppsättning frågor om dess natur och ursprung.

AI-system är välkända för att producera alltför komplexa modeller för att beskriva den data de tränas på. Så Wu och Tegmark lär också sina system att föredra enklare teorier framför mer komplexa. De gör detta med hjälp av ett enkelt mått på komplexitet baserat på mängden information som teorin kapslar in.

Ett annat känt fysikers knep är att leta efter sätt att förena teorier. Om en teori kan göra jobbet av två är det förmodligen bättre. Detta har drivit fysikers strävan efter att hitta den enda lag som styr dem alla (även om det finns lite i vägen för faktiska bevis för att en sådan teori existerar).

En sista princip som har hjälpt fysiker att klara sig bra är livslångt lärande: tanken att om ett visst tillvägagångssätt fungerade tidigare, kan det fungera på framtida problem. Så Wu och Tegmarks AI-fysiker kommer ihåg inlärda lösningar och försöker dem på framtida problem.

Beväpnade med dessa tekniker satte Wu och Tegmark sin AI-fysiker igenom dess takt. De gör detta genom att skapa 40 mysterievärldar som styrs av fysikens lagar som varierar från en plats till en annan. Så en boll som kastas in i en av dessa världar kan initialt falla under tyngdkraften in i ett område som styrs av en elektromagnetisk potential, sedan in i ett område som styrs av en harmonisk potential, och så vidare.

Frågan som Wu och Tegmark ställer är om deras AI-fysiker kan härleda de relevanta fysikens lagar helt enkelt genom att titta på bollens rörelse över tiden. Och de jämför beteendet hos AI-fysikern med det hos en nyfödd fysiker som använder samma tillvägagångssätt men utan fördelen med livslångt lärande, såväl som med ett konventionellt neuralt nätverk.

Det visar sig att både AI-fysikern och nyföddsfysikern kan härleda relevanta lagar. Båda agenterna kan lösa över 90 % av alla 40 mysterievärldar, säger de.

Den största fördelen med AI-fysikern framför Newborn-agenten är att den lär sig snabbare med mindre av data. Det är ungefär som att en erfaren forskare kan lösa nya problem mycket snabbare än en nybörjare genom att bygga på tidigare kunskaper om liknande problem, säger Wu och Tegmark.

Och deras system är betydligt bättre än ett konventionellt neuralt nätverk. Vår [AI-fysiker] lär sig vanligtvis snabbare och producerar medelkvadratförutsägelsefel som är ungefär en miljard gånger mindre än ett standardneuralt nät av jämförbar komplexitet, säger de.

Det är ett imponerande arbete som tyder på att AI-system kan ha en betydande inverkan på hur vetenskapen fortsätter. Naturligtvis kommer det verkliga testet att vara att släppa loss AI-fysikern i en verklig miljö, såsom insidan av Pisa-katedralen, och se om den härleder principen bakom mekaniska klockor.

Eller kanske för att släppa loss på andra komplexa datauppsättningar, som de som regelbundet förbryllar ekonomer, biologer och klimatforskare. Det finns säkert lågt hängande frukt här för ett system som kan samla in den.

Och om AI-fysikern är framgångsrik kan vetenskapshistoriker mycket väl se tillbaka på det som ett av de första stegen i en ny era av evolution för den vetenskapliga metoden bortom Galileo och hans mänskliga kollegor. Det går inte att säga vart det kan ta oss.

Ref: arxiv.org/abs/1810.10525 : Mot en AI-fysiker för oövervakat lärande

Dölj