能推導出物理定律的“人工智能物理學家”出現(xiàn)了

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

教學AI如何結合較小的模型來理解復雜的情況一直是機器學習研究的主要障礙。

麻省理工學院的兩位研究人員創(chuàng)造了一個“AI物理學家”，能夠產生關于虛構宇宙物理定律的理論。它標志著創(chuàng)建機器學習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行推斷，以預測未來。這將為完全由人工智能完成的科學發(fā)現(xiàn)奠定基礎。

當為AI提供數據集時，它會分析此數據集以創(chuàng)建模型。該模型的性質取決于任務。例如，如果我想訓練AI來識別貓，我可以為它提供數千張貓圖片，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，有一個至關重要的區(qū)別。

在上面的例子中，人工智能被喂食已經聚焦在貓身上的照片。一個更艱巨的任務，一個類似于科學進程的任務，就是在相似的環(huán)境中喂養(yǎng)貓的AI圖片，例如森林。使用此數據集，創(chuàng)建貓模型的AI將不得不忽略不相關的細節(jié)（例如所有植物）并且只關注貓�；蛘撸�它可能會到達一個模型，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據相匹配。一種更富有成效的方法，也就是科學家所使用的方法，是創(chuàng)建適用于觀測數據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AI如何劃分數據以創(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器學習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，來自麻省理工學院的兩位物理學家Tailin Wu和Max Tegmark已經向他們的“AI物理學家”邁出了重要的一步。

為了實現(xiàn)這一目標，Tegmark和Wu賦予他們的機器學習算法四種策略，這些策略也被人類科學家使用，因此它可以產生關于復雜觀測的理論。這些策略是分而治之的（產生多種理論，每種理論只適合數據的一部分），Occam的剃刀（使用最簡單的理論），統(tǒng)一（結合理論）和“終身學習”（嘗試應用對未來問題的理論）。

在將這些策略編碼到機器學習算法之后，Tegmark和Wu向它展示了一系列日益復雜的虛擬環(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的目標是盡可能準確地預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物理學家。這里，視場被分成四個象限，每個象限由不同的物理效應控制，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)境變得更加復雜，AI物理學家越來越難以理解物理定律�？偠�言之，AI物理學家接觸了40個不同的神秘環(huán)境，能夠在超過90％的案例中產生關于管理它們的物理定律的正確理論。此外，Tegmark和Wu的AI物理學家能夠將預測誤差減少到比傳統(tǒng)機器學習算法“十億倍”。

這項工作可能會對人類未來科學的方式產生重大影響。特別是，它對于理解大量復雜的數據集尤其有用，例如氣候建模或經濟學中使用的數據集。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代碼。