211service.com
Een AI-fysicus kan de natuurlijke wetten van denkbeeldige universums afleiden
sylvar | flickr
Als student observeerde Galileo de beroemde zwaai van een lamp in de kathedraal van Pisa en timede hij de zwaai tegen zijn pols. Hij concludeerde dat de periode constant was en onafhankelijk van zijn amplitude.
Galileo suggereerde verder dat een slinger een klok kon besturen en ontwierp later zo'n machine, hoewel de eerste klok van dit type ongeveer 15 jaar na de dood van Galileo door Huygens werd gebouwd.
Bij het doen van deze ontdekking was het geniale van Galileo het negeren van alle rommelige details die anders aanwezig waren in de kathedraal - luchtweerstand, temperatuur, flikkerend licht, lawaai, andere mensen, enzovoort. Hij overwoog een eenvoudig model van een zwaailamp met alleen zijn periode, waarbij hij zich concentreerde op het meest opvallende detail.
Voor veel historici vertegenwoordigt Galileo's benadering de vroegste fase in de evolutie van de wetenschappelijke methode, hetzelfde proces dat de vlucht, de kwantumtheorie, elektronische informatica, de algemene relativiteitstheorie en zelfs kunstmatige intelligentie heeft voortgebracht.
De afgelopen jaren zijn AI-systemen begonnen met het vinden van interessante patronen in data zelf en hebben daaruit zelfs bepaalde natuurkundige wetten afgeleid. Maar in deze gevallen bestudeerde de AI altijd een speciale dataset die was geïsoleerd van echte afleiding. Het vermogen van deze AI-systemen is ver verwijderd van het vermogen van mensen zoals Galileo.
En dat roept een interessante vraag op: is het mogelijk om een AI-systeem te ontwerpen dat theorieën ontwikkelt zoals Galileo dat deed, en zich richt op de informatie die het nodig heeft om verschillende aspecten van de wereld die het waarneemt te verklaren?
Vandaag krijgen we een antwoord, dankzij het werk van Tailin Wu en Max Tegmark aan het MIT in Cambridge, Massachusetts. Deze jongens hebben een AI-systeem ontwikkeld dat de aanpak van Galileo en enkele van de andere trucs die natuurkundigen door de eeuwen heen hebben geleerd, kopieert. Hun systeem, de AI-fysicus genaamd, is in staat om verschillende natuurwetten te ontrafelen in mysterieuze werelden die opzettelijk zijn geconstrueerd om de complexiteit van ons universum te simuleren.
Wu en Tegmark beginnen met het identificeren van een significante zwakte van moderne AI-systemen. Wanneer ze een grote dataset krijgen, zoeken ze meestal naar een enkele theorie die het hele ding regelt. Maar dat wordt steeds moeilijker naarmate de dataset groter en rommeliger wordt.
Inderdaad, de binnenkant van een kathedraal zou een vrijwel onmogelijke omgeving zijn voor een huidig AI-systeem om te zoeken naar natuurwetten.
Om met dit probleem om te gaan, gebruiken natuurkundigen een aantal denkprocessen om het probleem te vereenvoudigen. De eerste is om theorieën te ontwikkelen die slechts een klein deel van de dataset beschrijven. Dat levert meerdere theorieën op die allemaal verschillende aspecten van de gegevens beschrijven, zoals kwantummechanica en relativiteitstheorie.
Wu en Tegmark hebben de AI Physicist ontwikkeld om big datasets op dezelfde manier te behandelen.
Een andere algemene regel die natuurkundigen gebruiken, is Occam's Razor - het idee dat eenvoudigere verklaringen beter zijn. Dat is de reden waarom natuurkundigen over het algemeen theorieën verwerpen die een krachtbron nodig hebben om het universum, of de aarde of het leven zelf te creëren: het veronderstelde bestaan van een krachtbron roept een extra reeks vragen op over de aard en oorsprong ervan.
AI-systemen staan erom bekend dat ze te complexe modellen produceren om de gegevens te beschrijven waarop ze zijn getraind. Dus Wu en Tegmark leren hun systeem ook om eenvoudigere theorieën te verkiezen boven complexere. Ze doen dit met behulp van een eenvoudige maatstaf voor complexiteit op basis van de hoeveelheid informatie die de theorie inkapselt.
Een andere beroemde truc van natuurkundigen is om te zoeken naar manieren om theorieën te verenigen. Als één theorie het werk van twee kan doen, is het waarschijnlijk beter. Dit heeft ertoe geleid dat natuurkundigen op zoek zijn gegaan naar de enige wet die hen allemaal regeert (hoewel er weinig feitelijk bewijs is dat een dergelijke theorie bestaat).
Een laatste principe dat natuurkundigen heeft geholpen het goed te doen, is levenslang leren: het idee dat als een bepaalde aanpak in het verleden werkte, deze misschien ook zou werken op toekomstige problemen. Dus de AI-fysicus van Wu en Tegmark onthoudt geleerde oplossingen en probeert ze op toekomstige problemen.
Gewapend met deze technieken hebben Wu en Tegmark hun AI-fysicus op de proef gesteld. Ze doen dit door 40 mysteriewerelden te bedenken die worden beheerst door natuurkundige wetten die van locatie tot locatie verschillen. Dus een bal die in een van deze werelden wordt gegooid, kan aanvankelijk onder de zwaartekracht vallen in een gebied dat wordt beheerst door een elektromagnetische potentiaal, dan in een gebied dat wordt beheerst door een harmonische potentiaal, enzovoort.
De vraag die Wu en Tegmark stellen is of hun AI-fysicus de relevante natuurwetten kan afleiden door simpelweg naar de beweging van de bal in de tijd te kijken. En ze vergelijken het gedrag van de AI-fysicus met dat van een pasgeboren natuurkundige die dezelfde aanpak gebruikt, maar zonder het voordeel van levenslang leren, en met een conventioneel neuraal netwerk.
Het blijkt dat zowel de AI-fysicus als de pasgeboren natuurkundige de relevante wetten kunnen afleiden. Beide agenten zijn in staat om meer dan 90% van alle 40 mysteriewerelden op te lossen, zeggen ze.
Het belangrijkste voordeel van de AI-fysicus ten opzichte van de pasgeboren agent is dat hij sneller leert met minder gegevens. Dit is net zoals een ervaren wetenschapper nieuwe problemen veel sneller kan oplossen dan een beginner door voort te bouwen op voorkennis over soortgelijke problemen, zeggen Wu en Tegmark.
En hun systeem is aanzienlijk beter dan een conventioneel neuraal netwerk. Onze [AI-fysicus] leert doorgaans sneller en produceert voorspellingsfouten in het kwadraat die ongeveer een miljard keer kleiner zijn dan een standaard feedforward neuraal netwerk van vergelijkbare complexiteit, zeggen ze.
Dat is indrukwekkend werk dat suggereert dat AI-systemen een aanzienlijke impact kunnen hebben op de manier waarop de wetenschap verloopt. De echte test zal natuurlijk zijn om de AI-fysicus los te laten op een echte omgeving, zoals de binnenkant van de kathedraal van Pisa, en te kijken of hij het principe achter mechanische klokken afleidt.
Of misschien om het los te laten op andere complexe datasets, zoals die regelmatig economen, biologen en klimaatwetenschappers verbijsteren. Er is hier zeker laaghangend fruit voor een systeem dat in staat is om het te verzamelen.
En als de AI-fysicus succesvol is, kunnen wetenschapshistorici erop terugkijken als een van de eerste stappen in een nieuw tijdperk van evolutie voor de wetenschappelijke methode die verder gaat dan Galileo en zijn menselijke collega's. Het is niet te zeggen waar dat ons kan brengen.
Referentie: arxiv.org/abs/1810.10525 : Op weg naar een AI-fysicus voor ongecontroleerd leren