能推導(dǎo)出物理定律的“人工智能物理學(xué)家”出現(xiàn)了

研究人員創(chuàng)造了一個可以在虛構(gòu)宇宙中推導(dǎo)出物理定律的“人工智能物理學(xué)家”。

教學(xué)AI如何結(jié)合較小的模型來理解復(fù)雜的情況一直是機(jī)器學(xué)習(xí)研究的主要障礙。

麻省理工學(xué)院的兩位研究人員創(chuàng)造了一個“AI物理學(xué)家”，能夠產(chǎn)生關(guān)于虛構(gòu)宇宙物理定律的理論。它標(biāo)志著創(chuàng)建機(jī)器學(xué)習(xí)算法邁出了重要一步，這些算法不僅能夠找到模式，而且可以從這些模式中進(jìn)行推斷，以預(yù)測未來。這將為完全由人工智能完成的科學(xué)發(fā)現(xiàn)奠定基礎(chǔ)。

當(dāng)為AI提供數(shù)據(jù)集時，它會分析此數(shù)據(jù)集以創(chuàng)建模型。該模型的性質(zhì)取決于任務(wù)。例如，如果我想訓(xùn)練AI來識別貓，我可以為它提供數(shù)千張貓圖片，這樣算法可以從每張照片中的類似特征推廣出來，以創(chuàng)建貓的模型。

人工智能創(chuàng)建模型的方式類似于科學(xué)家使用理論從現(xiàn)象的特定實例推廣到類似環(huán)境中的所有實例的方式。然而，有一個至關(guān)重要的區(qū)別。

在上面的例子中，人工智能被喂食已經(jīng)聚焦在貓身上的照片。一個更艱巨的任務(wù)，一個類似于科學(xué)進(jìn)程的任務(wù)，就是在相似的環(huán)境中喂養(yǎng)貓的AI圖片，例如森林。使用此數(shù)據(jù)集，創(chuàng)建貓模型的AI將不得不忽略不相關(guān)的細(xì)節(jié)（例如所有植物）并且只關(guān)注貓�；蛘�，它可能會到達(dá)一個模型，描繪所有貓生活在森林中。如果你然后給你的AI喂了一張睡在你床上的貓的圖片，它將無法識別它，因為它的模型有問題。

盡管人工智能并非完全錯誤 － 但是有許多貓科動物只生活在森林中 － 它錯誤地創(chuàng)建了一個大型模型并試圖將該模型與所有數(shù)據(jù)相匹配。一種更富有成效的方法，也就是科學(xué)家所使用的方法，是創(chuàng)建適用于觀測數(shù)據(jù)子集的小模型或理論，然后將這些小理論加在一起，直到你希望得到“ 一切理論”。

教學(xué)AI如何劃分?jǐn)?shù)據(jù)以創(chuàng)建可以添加到一起以創(chuàng)建更大模型的小模型已被證明對于機(jī)器學(xué)習(xí)研究人員來說是非常具有挑戰(zhàn)性的。然而，正如上周發(fā)給arXiv 的一篇論文所詳述的那樣，來自麻省理工學(xué)院的兩位物理學(xué)家Tailin Wu和Max Tegmark已經(jīng)向他們的“AI物理學(xué)家”邁出了重要的一步。

為了實現(xiàn)這一目標(biāo)，Tegmark和Wu賦予他們的機(jī)器學(xué)習(xí)算法四種策略，這些策略也被人類科學(xué)家使用，因此它可以產(chǎn)生關(guān)于復(fù)雜觀測的理論。這些策略是分而治之的（產(chǎn)生多種理論，每種理論只適合數(shù)據(jù)的一部分），Occam的剃刀（使用最簡單的理論），統(tǒng)一（結(jié)合理論）和“終身學(xué)習(xí)”（嘗試應(yīng)用對未來問題的理論）。

在將這些策略編碼到機(jī)器學(xué)習(xí)算法之后，Tegmark和Wu向它展示了一系列日益復(fù)雜的虛擬環(huán)境，這些虛擬環(huán)境由奇怪的物理定律控制，并且要求AI理解它。特別地，AI的目標(biāo)是盡可能準(zhǔn)確地預(yù)測物體在二維中的運動。這將要求AI為每個“神秘環(huán)境”生成獨特的物理理論，以了解對象在該環(huán)境中的移動方式。

一個示例環(huán)境供給AI物理學(xué)家。這里，視場被分成四個象限，每個象限由不同的物理效應(yīng)控制，例如重力或電磁場。點和線代表球在環(huán)境中的軌跡。根據(jù)球在環(huán)境中的移動方式，AI必須使用它所描述的策略來描述控制球運動的物理定律。

正如Tegmark和Wu發(fā)現(xiàn)的那樣，隨著環(huán)境變得更加復(fù)雜，AI物理學(xué)家越來越難以理解物理定律�？偠�言之，AI物理學(xué)家接觸了40個不同的神秘環(huán)境，能夠在超過90％的案例中產(chǎn)生關(guān)于管理它們的物理定律的正確理論。此外，Tegmark和Wu的AI物理學(xué)家能夠?qū)㈩A(yù)測誤差減少到比傳統(tǒng)機(jī)器學(xué)習(xí)算法“十億倍”。

這項工作可能會對人類未來科學(xué)的方式產(chǎn)生重大影響。特別是，它對于理解大量復(fù)雜的數(shù)據(jù)集尤其有用，例如氣候建�；蚪�(jīng)濟(jì)學(xué)中使用的數(shù)據(jù)集。實際上，世界上的下一個牛頓或愛因斯坦可能只是一些計算機(jī)代碼。