211service.com
Po co komu Copernicus, jeśli masz uczenie maszynowe?
Prawa fizyki, jedne z największych odkryć ludzkości, pojawiały się na przestrzeni wielu stuleci w procesie często pod wpływem wybitnych myślicieli tamtych czasów. Proces ten wywarł głęboki wpływ na ewolucję nauki i sprawia wrażenie, że niektórych praw nie można było odkryć bez znajomości wcześniejszych epok.
Na przykład mechanika kwantowa opiera się na mechanice klasycznej, wykorzystując różne idee matematyczne, które były wówczas popularne.
Ale być może istnieje inny sposób odkrywania praw fizyki, który nie zależy od zrozumienia Wszechświata, które już zdobyliśmy.
Dzisiaj Raban Iten, Tony Metger i koledzy z ETH Zurich w Szwajcarii twierdzą, że opracowali właśnie taką metodę i wykorzystali ją do odkrycia praw fizyki w zupełnie nowy sposób. I twierdzą, że być może uda się wykorzystać tę metodę do znalezienia zupełnie nowych sformułowań praw fizycznych.
Najpierw trochę tła. Prawa fizyki są prostymi reprezentacjami, które można zbadać w celu uzyskania informacji o bardziej złożonych scenariuszach. Wyobraź sobie, że wprawiasz w ruch wahadło i pytasz, gdzie będzie w przyszłości podstawa wahadła. Jednym ze sposobów odpowiedzi na to pytanie jest pomiar pozycji wahadła podczas jego kołysania. Te dane mogą być następnie wykorzystane jako rodzaj tabeli przeglądowej w celu znalezienia odpowiedzi. Jednak prawa ruchu zapewniają znacznie łatwiejszy sposób znalezienia odpowiedzi: po prostu wstaw wartości różnych zmiennych do odpowiedniego równania. To też daje poprawną odpowiedź. Dlatego równanie można traktować jako skompresowaną reprezentację rzeczywistości.
To od razu sugeruje, jak sieci neuronowe mogą znaleźć te prawa. Biorąc pod uwagę pewne obserwacje z eksperymentu – na przykład wahadło wahadłowe – celem jest znalezienie prostszej reprezentacji tych danych.
Pomysł firmy Iten, Metger i spółka polega na wprowadzeniu tych danych do maszyny, aby nauczyła się, jak dokładnie przewidywać pozycję. Gdy maszyna się tego nauczy, może przewidzieć pozycję na podstawie dowolnego początkowego zestawu warunków. Innymi słowy, nauczył się odpowiednich praw fizyki.
Aby dowiedzieć się, czy to działa, naukowcy wprowadzają dane z eksperymentu z wahadłem do sieci neuronowej, którą nazwali SciNet. Powtarzają to dla eksperymentów, które obejmują zderzenie dwóch kul, wyniki pomiaru kwantowego na kubicie, a nawet pozycje planet i słońca na nocnym niebie.
Wyniki stanowią ciekawą lekturę. Korzystając z danych z wahadła, SciNet jest w stanie przewidzieć przyszłą częstotliwość wahadła z błędem mniejszym niż 2 procent.
Co więcej, Iten, Metger i spółka są w stanie przesłuchać SciNet, aby zobaczyć, jak dochodzi do odpowiedzi. Niestety nie ujawnia to dokładnego równania, ale pokazuje, że sieć wykorzystuje tylko dwie zmienne do znalezienia rozwiązania. To dokładnie ta sama liczba, co w odpowiednich prawach ruchu.
Ale to nie wszystko. SciNet zapewnia również dokładne prognozy momentu pędu dwóch kul po ich zderzeniu. Jest to możliwe tylko przy użyciu zachowania pędu, którego wersję, jak się wydaje, odkrył SciNet. Przewiduje również prawdopodobieństwa pomiaru podczas odpytywania kubitu, wyraźnie wykorzystując pewną reprezentację świata kwantowego.
Być może najbardziej imponujące jest to, że sieć uczy się przewidywać przyszłą pozycję Marsa i Słońca na podstawie początkowej pozycji widzianej z Ziemi. Jest to możliwe tylko przy użyciu heliocentrycznego modelu Układu Słonecznego, idei, do której ludzie potrzebowali stuleci.
I rzeczywiście, przesłuchanie SciNet sugeruje, że nauczył się właśnie takiej heliocentrycznej reprezentacji. Naukowcy twierdzą, że SciNet przechowuje kąty Ziemi i Marsa widziane ze Słońca w dwóch ukrytych neuronach – to znaczy odzyskuje heliocentryczny model Układu Słonecznego.
To imponująca praca, ale trzeba ją umieścić w odpowiedniej perspektywie. To może być pierwszy dowód, że sztuczna sieć neuronowa może kompresować dane w sposób, który ujawnia aspekty praw fizyki. Ale to nie pierwszy raz, kiedy podejście obliczeniowe wyprowadziło te prawa.
Kilka lat temu informatycy z Cornell University zastosowali algorytm genetyczny, który wykorzystuje proces ewolucji, aby wyprowadzić szereg praw fizyki z danych eksperymentalnych. Obejmowały one prawa zachowania energii i pędu. System wypluł nawet samo równanie, a nie tylko wskazówkę dotyczącą sposobu obliczania, jak robi to SciNet.
Oczywiście algorytmy ewolucyjne mają przewagę w procesie odkrywania praw fizyki na podstawie surowych danych eksperymentalnych. (Biorąc pod uwagę, że ewolucja jest procesem, który przede wszystkim wytworzył biologiczne sieci neuronowe, można argumentować, że na zawsze będzie to podejście o większej mocy).
Wszystko to ma ciekawy wniosek. Ludzkość potrzebowała wieków, aby odkryć prawa fizyki, często w sposób, który w sposób zasadniczy zależał od wcześniej odkrytych praw. Na przykład mechanika kwantowa opiera się na mechanice klasycznej. Czy mogą istnieć lepsze prawa, które można wyprowadzić z danych eksperymentalnych bez wcześniejszej znajomości fizyki?
Jeśli tak, to podejście oparte na uczeniu maszynowym lub oparte na ewolucji powinno być dokładnie tym, czego potrzebujesz, aby je znaleźć.
Nr ref.: arxiv.org/abs/1807.10300 : Odkrywanie pojęć fizycznych za pomocą sieci neuronowych