الذكاء الاصطناعي يكتشف الفيزياء البديلة

جديد[{” attribute=””>Columbia University AI program observed physical phenomena and uncovered relevant variables—a necessary precursor to any physics theory. But the variables it discovered were unexpected.

Energy, Mass, Velocity. These three variables make up Einstein’s iconic equation E=MC². But how did Albert Einstein know about these concepts in the first place? Before understanding physics you need to identify relevant variables. Not even Einstein could discover relativity without the concepts of energy, mass, and velocity. But can variables like these be discovered automatically? Doing so would greatly accelerate scientific discovery.

This is the question that Columbia Engineering researchers posed to a new artificial intelligence program. The AI program was designed to observe physical phenomena through a video camera and then try to search for the minimal set of fundamental variables that fully describe the observed dynamics. The study was published in the journal Nature Computational Science on July 25.

https://www.youtube.com/watch؟v=OBRJi205haw
تُظهر الصورة نظامًا ديناميكيًا فوضويًا يتأرجح في الحركة. يهدف عملنا إلى تحديد واستخراج الحد الأدنى من متغيرات الحالة اللازمة لوصف مثل هذا النظام من لقطات الفيديو عالية الأبعاد مباشرة. الائتمان: Yinuo Qin / Columbia Engineering

بدأ العلماء بتغذية النظام لقطات فيديو خام لظواهر فيزيائية كانوا يعرفون بالفعل الحل لها. على سبيل المثال ، قاموا بتغذية شريط فيديو لبندول مزدوج يتأرجح معروف بأنه يحتوي بالضبط على أربعة “متغيرات حالة” – الزاوية والسرعة الزاوية لكل من الذراعين. بعد عدة ساعات من التحليل ، خرج الذكاء الاصطناعي إجابته: 4.7.

قال هود ليبسون ، مدير مختبر الآلات الإبداعية في قسم الهندسة الميكانيكية ، حيث تم العمل في المقام الأول: “اعتقدنا أن هذه الإجابة كانت قريبة بما يكفي”. “خاصة وأن كل ما يمكن للذكاء الاصطناعي الوصول إليه كان لقطات فيديو خام ، دون أي معرفة بالفيزياء أو الهندسة. لكننا أردنا أن نعرف ما هي المتغيرات في الواقع ، وليس فقط عددهم “.

بعد ذلك ، شرع الباحثون في تصور المتغيرات الفعلية التي حددها البرنامج. كان استخراج المتغيرات نفسها أمرًا صعبًا لأن البرنامج لا يمكنه وصفها بأي طريقة بديهية يمكن فهمها للبشر. بعد إجراء بعض التحقيقات ، اتضح أن اثنين من المتغيرات التي اختارها البرنامج تتوافق بشكل فضفاض مع زوايا الذراعين ، لكن المتغيرين الآخرين يظلان لغزا.

أوضح Boyuan Chen PhD ’22 ، وهو الآن أستاذ مساعد في جامعة Duke ، “لقد حاولنا ربط المتغيرات الأخرى بأي شيء وكل شيء يمكن أن نفكر فيه: السرعات الزاوية والخطية ، والطاقة الحركية والمحتملة ، ومجموعات مختلفة من الكميات المعروفة” قاد العمل. “ولكن يبدو أنه لا يوجد شيء مطابق تمامًا.” كان الفريق واثقًا من أن الذكاء الاصطناعي قد وجد مجموعة صالحة من أربعة متغيرات ، لأنه كان يقدم تنبؤات جيدة ، “لكننا لم نفهم بعد اللغة الرياضية التي يتحدث بها” ، أوضح.

https://www.youtube.com/watch؟v=0yP5T4uuRuI
يشرح Boyuan Chen كيف لاحظ برنامج ذكاء اصطناعي جديد ظواهر فيزيائية وكشف عن المتغيرات ذات الصلة – وهي مقدمة ضرورية لأي نظرية فيزيائية. الائتمان: Boyuan Chen / Columbia Engineering

بعد التحقق من صحة عدد من الأنظمة الفيزيائية الأخرى ذات الحلول المعروفة ، أدخل العلماء مقاطع فيديو لأنظمة لم يعرفوا الإجابة الصريحة عليها. أظهر أحد مقاطع الفيديو هذه “راقصة الهواء” وهي تتمايل أمام ساحة للسيارات المستعملة المحلية. بعد عدة ساعات من التحليل ، أعاد البرنامج 8 متغيرات. وبالمثل ، أنتج مقطع فيديو لمصباح Lava 8 متغيرات ثمانية. عندما قدموا مقطع فيديو لألسنة اللهب من حلقة مدفأة عطلة ، أعاد البرنامج 24 متغيرًا.

كان السؤال المثير للاهتمام بشكل خاص هو ما إذا كانت مجموعة المتغيرات فريدة لكل نظام ، أو ما إذا تم إنتاج مجموعة مختلفة في كل مرة يتم فيها إعادة تشغيل البرنامج. “لطالما تساءلت ، إذا قابلنا في أي وقت مضى جنسًا فضائيًا ذكيًا ، فهل كانوا سيكتشفون نفس قوانين الفيزياء التي لدينا ، أم أنهم سيصفون الكون بطريقة مختلفة؟” قال ليبسون. “ربما تبدو بعض الظواهر معقدة بشكل غامض لأننا نحاول فهمها باستخدام مجموعة خاطئة من المتغيرات.”

في التجارب ، كان عدد المتغيرات هو نفسه في كل مرة يتم فيها إعادة تشغيل الذكاء الاصطناعي ، لكن المتغيرات المحددة كانت مختلفة في كل مرة. لذا نعم ، هناك بالفعل طرق بديلة لوصف الكون ومن المحتمل جدًا ألا تكون خياراتنا مثالية.

وفقًا للباحثين ، يمكن أن يساعد هذا النوع من الذكاء الاصطناعي العلماء في الكشف عن الظواهر المعقدة التي لا يتماشى فهمها النظري مع الكم الهائل من البيانات – مجالات تتراوح من علم الأحياء إلى علم الكونيات. “بينما استخدمنا بيانات الفيديو في هذا العمل ، يمكن استخدام أي نوع من مصادر بيانات المصفوفات – مصفوفات الرادار ، أو[{” attribute=””>DNA arrays, for example,” explained Kuang Huang PhD ’22, who coauthored the paper.

The work is part of Lipson and Fu Foundation Professor of Mathematics Qiang Du’s decades-long interest in creating algorithms that can distill data into scientific laws. Past software systems, such as Lipson and Michael Schmidt’s Eureqa software, could distill freeform physical laws from experimental data, but only if the variables were identified in advance. But what if the variables are yet unknown?

https://www.youtube.com/watch؟v=XRL56YCfKtA
يشرح Hod Lipson كيف تمكن برنامج الذكاء الاصطناعي من اكتشاف متغيرات فيزيائية جديدة. الائتمان: Hod Lipson / Columbia Engineering

يجادل ليبسون ، وهو أيضًا أستاذ جيمس وسالي سكابا للابتكار ، بأن العلماء قد يسيئون تفسير العديد من الظواهر أو يفشلون في فهمها ببساطة لأنهم لا يمتلكون مجموعة جيدة من المتغيرات لوصف هذه الظاهرة. لاحظ ليبسون: “منذ آلاف السنين ، عرف الناس أن الأجسام تتحرك بسرعة أو ببطء ، ولكن فقط عندما تم تحديد مفهوم السرعة والتسارع رسميًا ، تمكن نيوتن من اكتشاف قانونه الشهير للحركة F = MA”. يجب تحديد المتغيرات التي تصف درجة الحرارة والضغط قبل صياغة قوانين الديناميكا الحرارية ، وهكذا في كل ركن من أركان العالم العلمي. المتغيرات هي مقدمة لأي نظرية. “ما هي القوانين الأخرى التي نفتقدها لمجرد أننا لا نملك المتغيرات؟” سأل دو ، الذي شارك في قيادة العمل.

شارك في تأليف الورقة أيضًا Sunand Raghupathi و Ishaan Chandratreya ، اللذان ساعدا في جمع البيانات للتجارب. منذ 1 يوليو 2022 ، كان Boyuan Chen أستاذًا مساعدًا في جامعة ديوك. العمل جزء من مشترك[{” attribute=””>University of Washington, Columbia, and Harvard NSF AI institute for dynamical systems, aimed to accelerate scientific discovery using AI.

Reference: “Automated discovery of fundamental variables hidden in experimental data” by Boyuan Chen, Kuang Huang, Sunand Raghupathi, Ishaan Chandratreya, Qiang Du and Hod Lipson, 25 July 2022, Nature Computational Science.
DOI: 10.1038/s43588-022-00281-6