211service.com
Vem behöver Copernicus om du har maskininlärning?
Fysikens lagar, bland mänsklighetens största upptäckter, har vuxit fram under många århundraden i en process som ofta påverkas av tidens framstående tänkare. Denna process har haft ett djupgående inflytande på vetenskapens utveckling och ger intrycket av att vissa lagar inte kunde ha upptäckts utan tidigare tidsåldrars kunskap.
Kvantmekaniken, till exempel, bygger på klassisk mekanik med hjälp av olika matematiska idéer som var framträdande på den tiden.
Men kanske finns det ett annat sätt att upptäcka fysikens lagar som inte beror på den förståelse vi redan har fått om universum.
Idag säger Raban Iten, Tony Metger och kollegor vid ETH Zürich i Schweiz att de har utvecklat just en sådan metod och använt den för att upptäcka fysikens lagar på ett helt nytt sätt. Och de säger att det kan vara möjligt att använda den här metoden för att hitta helt nya formuleringar av fysiska lagar.
Först lite bakgrund. Fysikens lagar är enkla representationer som kan förhöras för att ge information om mer komplexa scenarier. Föreställ dig att sätta en pendel i rörelse och fråga var pendelns bas kommer att vara någon gång i framtiden. Ett sätt att svara på detta är att mäta pendelns position när den svänger. Dessa data kan sedan användas som en slags uppslagstabell för att hitta svaret. Men rörelselagarna ger ett mycket enklare sätt att upptäcka svaret: koppla helt enkelt in värden för de olika variablerna i den lämpliga ekvationen. Det ger också rätt svar. Det är därför som ekvationen kan ses som en komprimerad representation av verkligheten.
Detta antyder omedelbart hur neurala nätverk kan hitta dessa lagar. Med tanke på några observationer från ett experiment - en svängande pendel, till exempel - är målet att hitta en enklare representation av dessa data.
Tanken från Iten, Metger och co är att mata in dessa data i maskinen så att den lär sig hur man gör en exakt förutsägelse av positionen. När maskinen har lärt sig detta kan den sedan förutsäga positionen utifrån alla initiala förhållanden. Med andra ord har den lärt sig den relevanta fysikens lag.
För att ta reda på om detta fungerar matar forskarna data från ett experiment med svängande pendel till ett neuralt nätverk som de kallar SciNet. De fortsätter med att upprepa detta för experiment som inkluderar kollisionen av två bollar, resultaten av en kvantmätning på en qubit och till och med positionerna för planeterna och solen på natthimlen.
Resultaten ger intressant läsning. Med hjälp av pendeldata kan SciNet förutsäga pendelns framtida frekvens med ett fel på mindre än 2 procent.
Dessutom kan Iten, Metger och co förhöra SciNet för att se hur det kommer fram till svaret. Detta avslöjar inte den exakta ekvationen, tyvärr, men det visar att nätverket bara använder två variabler för att komma fram till lösningen. Det är exakt samma antal som i de relevanta rörelselagarna.
Men det är inte allt. SciNet ger också exakta förutsägelser av vinkelmomentet för två bollar efter att de har kolliderat. Det är bara möjligt med bevarande av momentum, en version som SciNet verkar ha upptäckt. Den förutsäger också mätningssannolikheterna när en qubit frågas, tydligt med hjälp av någon representation av kvantvärlden.
Det kanske mest imponerande är att nätverket lär sig att förutsäga Mars och solens framtida position med hjälp av den ursprungliga positionen sett från jorden. Det är bara möjligt med hjälp av en heliocentrisk modell av solsystemet, en idé som människor tog århundraden att träffa på.
Och faktiskt, ett förhör av SciNet tyder på att det har lärt sig just en sådan heliocentrisk representation. SciNet lagrar jordens och Mars vinklar sett från solen i de två latenta neuronerna - det vill säga det återvinner den heliocentriska modellen av solsystemet, säger forskarna.
Det är imponerande arbete, men det måste sättas i perspektiv. Detta kan vara den första demonstrationen av att ett artificiellt neuralt nätverk kan komprimera data på ett sätt som avslöjar aspekter av fysikens lagar. Men det är inte första gången som en beräkningsmetod har härlett dessa lagar.
För några år sedan använde datavetare vid Cornell University en genetisk algoritm som utnyttjar evolutionsprocessen för att härleda ett antal fysiklagar från experimentella data. Dessa inkluderade bevarandelagar för energi och fart. Systemet spottade till och med ut själva ekvationen, inte bara en antydan om hur det beräknade, som SciNet gör.
Det är uppenbart att evolutionära algoritmer har övertaget i processen att upptäcka fysikens lagar med hjälp av rå experimentell data. (Med tanke på att evolutionen är den process som producerade biologiska neurala nätverk i första hand, kan det hävdas att det för alltid kommer att vara det mer kraftfulla tillvägagångssättet.)
Det finns en intressant följd av allt detta. Det har tagit mänskligheten århundraden att upptäcka fysikens lagar, ofta på sätt som har varit avgörande beroende på tidigare upptäckta lagar. Till exempel är kvantmekaniken baserad på klassisk mekanik. Kan det finnas bättre lagar som kan härledas från experimentella data utan några förkunskaper om fysik?
Om så är fallet borde denna maskininlärningsmetod eller den som är baserad på evolution vara exakt vad som behövs för att hitta dem.
Ref: arxiv.org/abs/1807.10300 : Upptäcka fysiska koncept med neurala nätverk