Алгоритм, разработанный ученым из U.S. Принстонская лаборатория физики плазмы (PPPL) Министерства энергетики (DOE) применяет машинное обучение, форму искусственного интеллекта (ИИ), который учится на опыте, для разработки прогнозов. «Обычно в физике вы делаете наблюдения, создаете теорию, основанную на этих наблюдениях, а затем используете эту теорию для предсказания новых наблюдений», – сказал физик PPPL Хун Цинь, автор статьи, подробно описывающей эту концепцию в Scientific Reports. "Я заменяю этот процесс своего рода черным ящиком, который может давать точные прогнозы без использования традиционной теории или закона."
Цинь (произносится как Чин) создал компьютерную программу, в которую он вводил данные прошлых наблюдений за орбитами Меркурия, Венеры, Земли, Марса, Юпитера и карликовой планеты Церера. Эта программа вместе с дополнительной программой, известной как «обслуживающий алгоритм», затем сделала точные прогнозы орбит других планет в Солнечной системе без использования законов движения и гравитации Ньютона. "По сути, я обошел все фундаментальные составляющие физики.
Я перехожу непосредственно от данных к данным ", – сказал Цинь. "Посередине нет закона физики."
Программа не срабатывает при точных прогнозах случайно. «Хонг обучил программу основополагающему принципу, используемому природой для определения динамики любой физической системы», – сказал Джошуа Берби, физик из Лос-Аламосской национальной лаборатории Министерства энергетики США, получивший степень доктора философии.D. в Принстоне под наставничеством Цинь. "Результатом является то, что сеть изучает законы движения планет после того, как увидела очень мало обучающих примеров. Другими словами, его код действительно «изучает» законы физики."
Машинное обучение – это то, что делает возможными компьютерные программы, такие как Google Translate.
Google Translate анализирует огромное количество информации, чтобы определить, как часто одно слово на одном языке переводится в слово на другом языке. Таким образом, программа может сделать точный перевод, фактически не изучая ни один из языков.
Этот процесс также проявляется в философских мысленных экспериментах, таких как "Китайская комната" Джона Сирла.
В этом сценарии человек, не знающий китайского, тем не менее может «перевести» китайское предложение на английский или любой другой язык, используя набор инструкций или правил, которые заменят понимание. Мысленный эксперимент поднимает вопросы о том, что, по сути, означает понимать что-либо вообще, и подразумевает ли понимание, что в уме происходит что-то еще, помимо следования правилам.
Цинь был частично вдохновлен философским мысленным экспериментом оксфордского философа Ника Бострома, согласно которому Вселенная – это компьютерная симуляция. Если бы это было правдой, то фундаментальные законы физики должны были бы показать, что Вселенная состоит из отдельных фрагментов пространства-времени, как пиксели в видеоигре. «Если мы живем в симуляции, наш мир должен быть дискретным», – сказал Цинь. Техника черного ящика, разработанная Цинем, не требует, чтобы физики буквально верили гипотезе моделирования, хотя она основывается на этой идее для создания программы, которая делает точные физические предсказания.
Результирующий пиксельный взгляд на мир, похожий на то, что изображено в фильме «Матрица», известен как теория дискретного поля, которая рассматривает Вселенную как состоящую из отдельных частей и отличается от теорий, которые обычно создают люди.
В то время как ученые обычно разрабатывают всеобъемлющие концепции поведения физического мира, компьютеры просто собирают набор точек данных.
Цинь и Эрик Палмердука, аспиранты программы Принстонского университета по физике плазмы, в настоящее время разрабатывают способы использования дискретных теорий поля для прогнозирования поведения частиц плазмы в термоядерных экспериментах, проводимых учеными всего мира.
Наиболее широко используемыми термоядерными установками являются токамаки в форме пончиков, которые удерживают плазму в мощных магнитных полях.
Термоядерный синтез, сила, которая движет Солнцем и звездами, объединяет легкие элементы в виде плазмы – горячего заряженного состояния вещества, состоящего из свободных электронов и атомных ядер, составляющих 99% видимой Вселенной, – чтобы произвести огромное количество энергия. Ученые стремятся воспроизвести термоядерный синтез на Земле, чтобы получить практически неисчерпаемый источник энергии для выработки электричества.
«В устройстве магнитного синтеза динамика плазмы сложна и многомасштабна, а эффективные управляющие законы или вычислительные модели для конкретного физического процесса, который нас интересует, не всегда ясны», – сказал Цинь. «В этих сценариях мы можем применить метод машинного обучения, который я разработал, чтобы создать дискретную теорию поля, а затем применить эту дискретную теорию поля для понимания и предсказания новых экспериментальных наблюдений."
Этот процесс поднимает вопросы о природе самой науки.
Разве ученые не хотят развивать физические теории, объясняющие мир, вместо того, чтобы просто накапливать данные?? Не являются ли теории фундаментальными для физики и необходимыми для объяснения и понимания явлений?
«Я бы сказал, что конечной целью любого ученого является предсказание», – сказал Цинь. "Вам не обязательно нужен закон.
Например, если я могу точно предсказать планетарную орбиту, мне не нужно знать законы тяготения и движения Ньютона. Вы могли бы возразить, что, поступая так, вы поймете меньше, чем если бы вы знали законы Ньютона. В каком-то смысле это правильно. Но с практической точки зрения точные прогнозы не делают ничего меньшего."
Машинное обучение также может открыть возможности для дополнительных исследований. «Это значительно расширяет круг проблем, с которыми вы можете справиться, потому что все, что вам нужно для работы, – это данные», – сказал Палмердука.
Этот метод также может привести к развитию традиционной физической теории. «Хотя в некотором смысле этот метод исключает необходимость в такой теории, его также можно рассматривать как путь к ней», – сказал Палмердука. "Когда вы пытаетесь вывести теорию, вам нужно иметь в своем распоряжении как можно больше данных.
Если вам предоставлены некоторые данные, вы можете использовать машинное обучение, чтобы заполнить пробелы в этих данных или иным образом расширить набор данных."
Поддержку этому исследованию оказало Управление науки Министерства энергетики США (Fusion Energy Sciences).