211service.com
En AI-fysiker kan utlede naturlovene til forestilte universer
sylvar | flickr
Som student observerte Galileo en lampe som svingte i Pisa-katedralen og tidsbestemte svingen mot pulsen hans. Han konkluderte med at perioden var konstant og uavhengig av dens amplitude.
Galileo fortsatte med å foreslå at en pendel kunne styre en klokke og designet senere en slik maskin, selv om den første klokken av denne typen ble bygget av Huygens rundt 15 år etter Galileos død.
Når han gjorde denne oppdagelsen, var Galileos geni å ignorere alle de rotete detaljene som ellers var til stede i katedralen – luftmotstand, temperatur, flimrende lys, støy, andre mennesker, og så videre. Han vurderte en enkel modell av en svingende lampe som bare brukte perioden, med fokus på den fremtredende detaljen.
For mange historikere representerer Galileos tilnærming det tidligste stadiet i utviklingen av den vitenskapelige metoden, den samme prosessen som har produsert flukt, kvanteteori, elektronisk databehandling, generell relativitetsteori og til og med kunstig intelligens.
I de siste årene har AI-systemer begynt å finne interessante mønstre i data selv og til og med avledet visse fysikklover som et resultat. Men i disse tilfellene studerte AI alltid et spesielt datasett som hadde blitt isolert fra virkelige distraksjoner. Evnen til disse AI-systemene er langt unna evnen til mennesker som Galileo.
Og det reiser et interessant spørsmål: er det mulig å designe et AI-system som utvikler teorier slik Galileo gjorde, ved å nullstille informasjonen den trenger for å forklare forskjellige aspekter av verden den observerer?
I dag får vi svar, takket være arbeidet til Tailin Wu og Max Tegmark ved MIT i Cambridge, Massachusetts. Disse gutta har utviklet et AI-system som kopierer Galileos tilnærming og noen av de andre triksene som fysikere har lært gjennom århundrene. Systemet deres – kalt AI-fysikeren – er i stand til å pirre ut flere fysikklover i mystiske verdener konstruert med vilje for å simulere kompleksiteten til universet vårt.
Wu og Tegmark begynner med å identifisere en betydelig svakhet ved moderne AI-systemer. Når de får et stort datasett, ser de vanligvis etter en enkelt teori som styrer hele greia. Men det blir stadig vanskeligere jo større og mer rotete datasettet blir.
Faktisk ville innsiden av en katedral være et praktisk talt umulig miljø for ethvert nåværende AI-system å hente etter fysiske lover.
For å takle dette problemet bruker fysikere en rekke tankeprosesser for å forenkle problemet. Den første er å utvikle teorier som bare beskriver en liten del av datasettet. Det produserer flere teorier som alle beskriver forskjellige aspekter av dataene - som kvantemekanikk og relativitet, for eksempel.
Wu og Tegmark har utviklet AI Physicist for å behandle store datasett på samme måte.
En annen generell regel som fysikere bruker er Occams Razor - ideen om at enklere forklaringer er bedre. Det er derfor fysikere generelt setter pris på teorier som krever en primus motor for å skape universet, eller jorden eller livet selv: den antatte eksistensen av en primus motor reiser et ekstra sett med spørsmål om dens natur og opprinnelse.
AI-systemer er kjent for å produsere altfor komplekse modeller for å beskrive dataene de er trent på. Så Wu og Tegmark lærer også systemet deres å foretrekke enklere teorier fremfor mer komplekse. De gjør dette ved å bruke et enkelt mål på kompleksitet basert på mengden informasjon teorien innkapsler.
Et annet kjent fysikeres triks er å lete etter måter å forene teorier på. Hvis én teori kan gjøre jobben til to, er den sannsynligvis bedre. Dette har drevet fysikeres søken etter å finne den ene loven som styrer dem alle (selv om det er lite i veien for faktiske bevis på at en slik teori eksisterer).
Et siste prinsipp som har hjulpet fysikere til å klare seg godt, er livslang læring: ideen om at hvis en bestemt tilnærming fungerte i fortiden, kan den fungere på fremtidige problemer. Så Wu og Tegmarks AI-fysiker husker lærte løsninger og prøver dem på fremtidige problemer.
Bevæpnet med disse teknikkene satte Wu og Tegmark sin AI-fysiker gjennom sine skritt. De gjør dette ved å lage 40 mystiske verdener styrt av fysikklover som varierer fra sted til sted. Så en ball kastet inn i en av disse verdenene kan i utgangspunktet falle under tyngdekraften inn i et område styrt av et elektromagnetisk potensial, deretter inn i et område styrt av et harmonisk potensial, og så videre.
Spørsmålet som Wu og Tegmark stiller er om deres AI-fysiker kan utlede de relevante fysikkens lover bare ved å se på ballens bevegelse over tid. Og de sammenligner oppførselen til AI-fysikeren med den til en nyfødt fysiker som bruker samme tilnærming, men uten fordelen av livslang læring, så vel som med et konvensjonelt nevralt nettverk.
Det viser seg at både AI-fysikeren og den nyfødte fysikeren kan utlede de relevante lovene. Begge agentene er i stand til å løse over 90 % av alle de 40 mysterieverdenene, sier de.
Den største fordelen med AI Physicist fremfor Newborn-agenten er at den lærer raskere ved å bruke mindre av dataene. Dette er omtrent som en erfaren forsker kan løse nye problemer mye raskere enn en nybegynner ved å bygge på forkunnskaper om lignende problemer, sier Wu og Tegmark.
Og systemet deres er betydelig bedre enn et konvensjonelt nevralt nettverk. Vår [AI-fysiker] lærer vanligvis raskere og produserer middelkvadrat-prediksjonsfeil omtrent en milliard ganger mindre enn et standard feedforward-nevralt nett med sammenlignbar kompleksitet, sier de.
Det er imponerende arbeid som antyder at AI-systemer kan ha en betydelig innvirkning på måten vitenskapen fortsetter på. Selvfølgelig vil den virkelige testen være å slippe AI-fysikeren løs på et virkelig miljø, for eksempel innsiden av Pisa-katedralen, og se om den utleder prinsippet bak mekaniske klokker.
Eller kanskje for å slippe det løs på andre komplekse datasett, slik som de som regelmessig forvirrer økonomer, biologer og klimaforskere. Det er sikkert lavthengende frukt her for et system som er i stand til å samle den.
Og hvis AI-fysikeren er vellykket, kan vitenskapshistorikere godt se tilbake på det som et av de første trinnene i en ny æra av evolusjon for den vitenskapelige metoden utover Galileo og hans menneskelige kolleger. Det er ikke noe å si hvor det kan ta oss.
Ref: arxiv.org/abs/1810.10525 : Mot en AI-fysiker for uovervåket læring