Alle fysikkens love kan udtrykkes matematisk som sammenhænge mellem tilstandsvariable. Dette sæt af variabler giver en grundig og ikke-redundant beskrivelse af det aktuelle system. Selve processen med at detektere de skjulte tilstandsvariabler har trodset automatisering på trods af tilgængelighed af processorkraft og kunstig intelligens.
De fleste datadrevne metoder til modellering af fysiske fænomener er stadig afhængige af den antagelse, at de relevante tilstandsvariable allerede er kendt. Et langvarigt spørgsmål er, om det kan identificere tilstandsvariabler ud fra kun højdimensionelle observationsdata.
Forskere ved Columbia Engineering foreslog et princip til at bestemme, hvor mange tilstandsvariable et observeret system sandsynligvis vil have, og hvad disse variabler kan være. De designede et nyt AI-program til at observere fysiske fænomener gennem et videokamera og derefter forsøge at søge efter et minimalt sæt grundlæggende variabler, der fuldt ud beskriver den observerede dynamik.
Hod Lipson, direktør for Creative Machines Lab i Department of Mechanical Engineering, sagde: "Vi troede, at dette svar var tæt nok på. Især da alt, hvad AI havde adgang til, var rå videooptagelser uden nogen form for viden om fysik eller geometri. Men vi ønskede at kende variablerne, ikke kun deres antal."
Forskere visualiserede derefter de faktiske variabler, som programmet identificerede. Da programmet ikke kan udtrykke variablerne i noget intuitivt sprog, der ville være tilgængeligt for mennesker, var det en udfordring at udtrække variablerne. Efter omfattende undersøgelser viste det sig, at to af de variabler, computeren valgte, passede med armene, men de to andre er stadig ukendte.
Boyuan Chen Ph.D. '22, en assisterende professor ved Duke University, sagde, "Vi forsøgte at korrelere de andre variable med alt, hvad vi kunne komme i tanke om: vinkel- og lineære hastigheder, kinetisk og potentiel energi og kombinationer af kendte størrelser. Men intet så ud til at passe perfekt. Vi var overbeviste om, at AI havde fundet et godt sæt af fire variabler, da det lavede gode forudsigelser, men vi forstår endnu ikke det matematiske sprog, det taler."
De validerede derfor flere andre fysiske systemer med kendte løsninger. De fodrede videoer af systemer, som de ikke kendte det eksplicitte svar til. De første videoer indeholdt en "luftdanser", der bølgede foran en lokal brugtvognsplads. Efter et par timers analyse returnerede programmet 8 variable. En video af en lavalampe producerede også 8 otte variabler. De fodrede derefter et videoklip af flammer fra en feriepejsløkke, og programmet returnerede 24 variabler.
Lipson sagde, "Jeg har altid spekuleret på, om vi nogensinde har mødt en intelligent alien race, ville de have opdaget de samme fysiklove, som vi har, eller kunne de beskrive universet anderledes?"
"Måske virker nogle fænomener gådefuldt komplekse, fordi vi forsøger at forstå dem ved hjælp af det forkerte sæt af variabler. I eksperimenterne var antallet af variabler det samme hver gang AI'en genstartede, men de specifikke variable var forskellige. Så ja, der er alternative måder at beskrive universet på, og det er meget muligt, at vores valg ikke er perfekte.”
Denne type kunstig intelligens kan hjælpe videnskabsmænd med at optrevle komplekse fænomener, for hvilke den teoretiske forståelse ikke holder trit med syndfloden af data – områder lige fra biologi til kosmologi.
Kuang Huang Ph.D. '22, der var medforfatter til avisen, sagde, "Mens vi brugte videodata i dette arbejde, kunne enhver array-datakilde bruges - radar-arrays eller DNA-arrays, for eksempel."
Lipson hævder det "Forskere misfortolker eller undlader at forstå mange fænomener, simpelthen fordi de ikke har et godt sæt af variabler til at beskrive dem."
"I årtusinder vidste folk om objekter, der bevægede sig hurtigt eller langsomt, men det var først, da begrebet hastighed og acceleration formelt blev kvantificeret, at Newton kunne opdage sin berømte bevægelseslov F=MA."
"Variabler, der beskriver temperatur og tryk, skulle identificeres, før termodynamikkens love kunne formaliseres, og så videre for hvert hjørne af den videnskabelige verden. Variablerne er en forløber for enhver teori."
Journal Reference:
- Chen, B., Huang, K., Raghupathi, S. et al. Automatiseret opdagelse af fundamentale variabler skjult i eksperimentelle data. Nat Comput Sci 2, 433-442 (2022). DOI: 10.1038/s43588-022-00281-6
