211service.com
Wie heeft Copernicus nodig als je machine learning hebt?
De wetten van de natuurkunde, een van de grootste ontdekkingen van de mensheid, zijn gedurende vele eeuwen ontstaan in een proces dat vaak wordt beïnvloed door de vooraanstaande denkers van die tijd. Dit proces heeft een diepgaande invloed gehad op de evolutie van de wetenschap en wekt de indruk dat sommige wetten niet ontdekt hadden kunnen worden zonder de kennis van vroegere tijden.
De kwantummechanica is bijvoorbeeld gebouwd op klassieke mechanica met behulp van verschillende wiskundige ideeën die destijds prominent aanwezig waren.
Maar misschien is er een andere manier om de wetten van de fysica te ontdekken die niet afhankelijk is van het begrip dat we al over het universum hebben gekregen.
Tegenwoordig zeggen Raban Iten, Tony Metger en collega's van ETH Zürich in Zwitserland dat ze precies zo'n methode hebben ontwikkeld en gebruikt om natuurwetten op een geheel nieuwe manier te ontdekken. En ze zeggen dat het misschien mogelijk is om deze methode te gebruiken om geheel nieuwe formuleringen van fysieke wetten te vinden.
Eerst wat achtergrond. De wetten van de fysica zijn eenvoudige voorstellingen die kunnen worden ondervraagd om informatie te verschaffen over complexere scenario's. Stel je voor dat je een slinger in beweging zet en vraagt waar de basis van de slinger in de toekomst zal zijn. Een manier om dit te beantwoorden is door de positie van de slinger te meten terwijl deze zwaait. Deze gegevens kunnen vervolgens worden gebruikt als een soort opzoektabel om het antwoord te vinden. Maar de bewegingswetten bieden een veel eenvoudigere manier om het antwoord te vinden: vul gewoon de waarden voor de verschillende variabelen in de juiste vergelijking in. Dat geeft ook het juiste antwoord. Daarom kan de vergelijking worden gezien als een gecomprimeerde weergave van de werkelijkheid.
Dit suggereert meteen hoe neurale netwerken deze wetten zouden kunnen vinden. Op basis van enkele waarnemingen van een experiment, bijvoorbeeld een slingerende slinger, is het doel om een eenvoudigere weergave van deze gegevens te vinden.
Het idee van Iten, Metger en co is om deze gegevens in de machine in te voeren, zodat deze leert een nauwkeurige voorspelling van de positie te maken. Zodra de machine dit heeft geleerd, kan het de positie voorspellen op basis van een aanvankelijke reeks voorwaarden. Met andere woorden, het heeft de relevante natuurwetten geleerd.
Om erachter te komen of dit werkt, voeren de onderzoekers gegevens van een slingerend-pendule-experiment in een neuraal netwerk dat ze SciNet noemen. Ze herhalen dit vervolgens voor experimenten met de botsing van twee ballen, de resultaten van een kwantummeting op een qubit en zelfs de posities van de planeten en de zon aan de nachtelijke hemel.
De resultaten zorgen voor interessante lectuur. Met behulp van de slingergegevens kan SciNet de toekomstige frequentie van de slinger voorspellen met een fout van minder dan 2 procent.
Bovendien kunnen Iten, Metger en co SciNet ondervragen om te zien hoe het tot het antwoord komt. Dit onthult helaas niet de precieze vergelijking, maar het laat wel zien dat het netwerk slechts twee variabelen gebruikt om tot de oplossing te komen. Dat is precies hetzelfde aantal als in de relevante bewegingswetten.
Maar dat is niet alles. SciNet biedt ook nauwkeurige voorspellingen van het impulsmoment van twee ballen nadat ze zijn gebotst. Dat kan alleen met behoud van momentum, een versie die SciNet lijkt te hebben ontdekt. Het voorspelt ook de meetkansen wanneer een qubit wordt ondervraagd, duidelijk met behulp van een representatie van de kwantumwereld.
Misschien wel het meest indrukwekkend is dat het netwerk leert de toekomstige positie van Mars en de zon te voorspellen met behulp van de beginpositie zoals gezien vanaf de aarde. Dat is alleen mogelijk met behulp van een heliocentrisch model van het zonnestelsel, een idee waar mensen eeuwen over deden om door te dringen.
En inderdaad, een ondervraging van SciNet suggereert dat het precies zo'n heliocentrische representatie heeft geleerd. SciNet slaat de hoeken van de aarde en Mars zoals gezien vanaf de zon op in de twee latente neuronen - dat wil zeggen, het herstelt het heliocentrische model van het zonnestelsel, zeggen de onderzoekers.
Dat is indrukwekkend werk, maar het moet wel in perspectief worden geplaatst. Dit kan de eerste demonstratie zijn dat een kunstmatig neuraal netwerk gegevens kan comprimeren op een manier die aspecten van de natuurwetten onthult. Maar het is niet de eerste keer dat een computationele benadering deze wetten heeft afgeleid.
Een paar jaar geleden gebruikten computerwetenschappers van de Cornell University een genetisch algoritme dat gebruikmaakt van het evolutieproces om een aantal natuurkundige wetten af te leiden uit experimentele gegevens. Deze omvatten behoudswetten voor energie en momentum. Het systeem spuugde zelfs de vergelijking zelf uit, niet alleen een hint over hoe het berekende, zoals SciNet doet.
Het is duidelijk dat evolutionaire algoritmen de overhand hebben in het proces van het ontdekken van de wetten van de fysica met behulp van ruwe experimentele gegevens. (Aangezien evolutie het proces is dat in de eerste plaats biologische neurale netwerken heeft voortgebracht, is het aannemelijk dat dit voor altijd de krachtiger benadering zal zijn.)
Dit alles heeft een interessant gevolg. Het heeft de mensheid eeuwen gekost om de wetten van de fysica te ontdekken, vaak op een manier die cruciaal afhankelijk was van eerder ontdekte wetten. De kwantummechanica is bijvoorbeeld gebaseerd op de klassieke mechanica. Zouden er betere wetten kunnen worden afgeleid uit experimentele gegevens zonder enige voorkennis van natuurkunde?
Als dat zo is, zou deze machine-learning-aanpak of degene die gebaseerd is op evolutie precies moeten zijn wat nodig is om ze te vinden.
Referentie: arxiv.org/abs/1807.10300 : Fysieke concepten ontdekken met neurale netwerken