都在用的報告小程序
寫文章、做研究、查資料【必備】
微信掃一掃，我知道了天文學家花了幾個世紀才弄清楚的定律，但現在，一種受大腦啟發的機器學習算法根據太陽和火星在地球上的運動軌跡，計算出了太陽位於太陽系中心的位置。這一壯舉是對一項技術的首次測試，研究人員希望他們能夠利用這項技術發現新的物理定律，或許還能通過在大數據集中發現模式來重新構建量子力學。研究結果將發表在《物理評論》上。
蘇黎世瑞士聯邦理工學院(ETH)的物理學家Renato Renner和他的合作者想要設計一種算法，可以將大量數據集分解為幾個基本公式，從而模仿物理學家提出諸如E = mc2的簡潔方程式。為此，研究人員必須設計一種新型的神經網絡，這是一種受大腦結構啟發的機器學習系統。
傳統的神經網絡通過龐大的數據集訓練來學習識別物體，例如圖像或聲音。他們發現了一般特徵，例如，「四條腿」和「尖尖的耳朵」可能被用來識別貓。。然後，他們將這些特徵編碼到數學「節點」中，即神經元的人工等效物。但是，神經網絡不是像物理學家那樣將這些信息提煉成幾個易於解釋的規則，而是有點像一個黑匣子，將它們獲得的知識以不可預測、難以解釋的方式傳播到數千甚至數百萬個節點上。
因此， Renner的團隊設計了一種「整體化」的神經網絡：兩個子網僅通過少數幾個連結相互連接。第一個子網將像典型的神經網絡一樣從數據中學習，第二個子網將使用該「經驗」來進行和測試新的預測。由於幾乎沒有連接雙方的鏈路，因此第一個網絡被迫以壓縮格式將信息傳遞給另一側。 Renner把這比作一個導師如何把他們學到的知識傳授給學生。
行星定位
最初的測試之一是向該網絡提供從地球上看到的火星和太陽在天空中運動的模擬數據。從這個角度來看，火星的太陽軌道似乎不穩定，例如，它周期性地「逆行」，改變軌道。幾個世紀以來，天文學家一直認為地球處於宇宙的中心，他們認為行星繞著小圈運行，即所謂的本輪，以此來解釋火星的運動。但是在16世紀，哥白尼發現，如果地球和行星都在繞太陽公轉，則可以用更簡單的公式系統預測運動。
加拿大多倫多大學的物理學家馬裡奧·克倫(Mario Krenn)致力於將人工智慧應用於科學發現，他說，研究小組的神經網絡得出了哥白尼式的火星軌跡公式，重新發現了「科學史上最重要的範式轉變之一」。
Renner強調，儘管該算法可以推導公式，但仍需用肉眼來解釋方程式，並了解它們與行星圍繞太陽運動的關係。
紐約市哥倫比亞大學的機器人學家霍德·利普森說，這項工作很重要，因為它能夠找出描述物理系統的關鍵參數。他說：「我認為，這些技術是我們理解並跟上日益複雜的物理學中乃至其它現象的唯一希望。」
Renner和他的團隊希望開發機器學習技術，以幫助物理學家解決量子力學中的明顯矛盾。該理論似乎對實驗的結果以及遵守其定律的觀察者的觀察方式產生了相互矛盾的預測。
Renner說：「在某種程度上，目前量子力學的表述方式可能只是歷史的人工產物。」 他補充說，計算機可以得出一個沒有這些矛盾的公式，但該團隊最新的技術還不夠成熟，無法做到這一點。為了實現這一目標，他和他的合作者們正在嘗試開發一種神經網絡，不僅可以從實驗數據中學習，而且還可以提出全新的實驗來驗證其假設。
破解「三體問題」
自牛頓時代以來，就需要進行令人費解的計算，以預測三個天體彼此之間如何相互幹擾，物理學家們對此頭疼不已。現在人工智慧已經表明，按照以前方法來計算，它只需要一小部分時間內解決這個問題。
牛頓是第一個在17世紀提出這個問題的人，但是找到一個簡單的方法來證明它是非常困難的。行星、恆星和衛星等三個天體之間的引力相互作用導致了一個混沌系統——一個對每個天體的起始位置非常複雜和敏感的系統。
目前解決這些問題的方法涉及使用軟體，可能需要數周甚至數月才能完成計算。因此，研究人員決定看看神經網絡——一種大致模仿大腦工作方式的識別人工智慧的模式——是否能做得更好。
他們構建的算法提供的精確解比最先進的軟體程序(稱為Brutus)快1億倍。可以證明天文學家們試圖了解星團的行為和整個宇宙的演化。這一研究來自劍橋大學的生物統計學家克裡斯·弗利，他的論文發表在arXiv資料庫，尚未經過同行評議。
「這個神經網絡，如果做得好，應該能夠在前所未有的時間範圍內為我們提供解決方案。」他表示，「所以我們可以開始思考更深入的問題，比如引力波是如何形成的。」
神經網絡必須通過輸入數據進行訓練，然後才能進行預測。因此，研究人員必須使用Brutus生成9900個簡化的三體場景，布魯圖是當前解決三體問題的領導者。
然後，他們測試了神經網絡預測5000種不可見場景的進化的能力，發現其結果與Brutus的結果非常接近。然而，與Brutus將近2分鐘的時間相比，基於程序的人工智慧平均只需幾分之一秒就能解決問題。
「像『Brutus』這樣的程序速度如此之慢的原因在於，它們是通過蠻力來解決問題的。」 弗利說，並對天體運行軌跡的每一小步進行計算。另一方面，神經網絡只是簡單地觀察這些計算產生的運動，並推斷出一種模式，這種模式可以幫助預測未來的情景如何發展。
本文來源前瞻網，轉載請註明來源。本文內容僅代表作者個人觀點，本站只提供參考並不構成任何投資及應用建議。（若存在內容、版權或其它問題，請聯繫：service@qianzhan.com） 品牌合作與廣告投放請聯繫：0755-33015062 或 hezuo@qianzhan.com