تمام قوانین فیزیک را می توان به صورت ریاضی به صورت ارتباط بین متغیرهای حالت بیان کرد. این مجموعه از متغیرها یک توصیف کامل و غیر زائد از سیستم در دست ارائه می دهد. فرآیند واقعی شناسایی متغیرهای حالت پنهان با وجود قدرت پردازش و در دسترس بودن هوش مصنوعی، اتوماسیون را به چالش کشیده است.
بیشتر روش‌های مبتنی بر داده برای مدل‌سازی پدیده‌های فیزیکی هنوز بر این فرض تکیه می‌کنند که متغیرهای حالت مربوطه از قبل شناخته شده‌اند. یک سوال طولانی مدت این است که آیا می تواند متغیرهای حالت را فقط از داده های رصدی با ابعاد بالا شناسایی کند؟
دانشمندان مهندسی کلمبیا یک اصل را برای تعیین تعداد متغیرهای حالتی که یک سیستم مشاهده شده احتمالاً دارد و این متغیرها ممکن است باشد پیشنهاد کردند. آنها یک برنامه هوش مصنوعی جدید برای مشاهده پدیده های فیزیکی از طریق یک دوربین فیلمبرداری طراحی کردند و سپس سعی کردند حداقل مجموعه ای از متغیرهای اساسی را جستجو کنند که دینامیک مشاهده شده را به طور کامل توصیف کند.
هاد لیپسون، مدیر آزمایشگاه ماشین‌های خلاق در دپارتمان مهندسی مکانیک، گفت: "ما فکر می کردیم که این پاسخ به اندازه کافی نزدیک است. به خصوص که تمام هوش مصنوعی به فیلم‌های ویدئویی خام و بدون دانش فیزیک یا هندسه دسترسی داشت. اما ما می‌خواستیم متغیرها را بدانیم، نه فقط تعداد آنها را.»
سپس دانشمندان متغیرهای واقعی را که برنامه شناسایی کرده بود تجسم کردند. از آنجایی که برنامه نمی تواند متغیرها را به هیچ زبان شهودی که برای انسان قابل دسترسی باشد بیان کند، استخراج متغیرها خود چالش برانگیز بود. پس از بررسی های قابل توجه، مشخص شد که دو متغیر از متغیرهای انتخاب شده توسط کامپیوتر با زوایای بازوها مطابقت دارند، اما دو متغیر دیگر هنوز ناشناخته هستند.
بویوان چن Ph.D. '22، استادیار دانشگاه دوک، گفت: ما سعی کردیم متغیرهای دیگر را با هر چیزی که فکر می‌کنیم مرتبط کنیم: سرعت‌های زاویه‌ای و خطی، انرژی جنبشی و پتانسیل، و ترکیبی از کمیت‌های شناخته شده. اما به نظر می رسید هیچ چیز کاملاً مطابقت ندارد. ما مطمئن بودیم که هوش مصنوعی مجموعه خوبی از چهار متغیر را از زمانی که پیش‌بینی‌های خوبی انجام می‌دهد، پیدا کرده است، اما هنوز زبان ریاضی را که صحبت می‌کند، درک نمی‌کنیم.»
بنابراین، آنها چندین سیستم فیزیکی دیگر را با راه حل های شناخته شده تأیید کردند. آنها ویدئوهایی را از سیستم هایی که پاسخ صریح آنها را نمی دانستند تغذیه کردند. اولین ویدیوها یک "رقصنده هوا" را نشان می داد که در مقابل یک ماشین دست دوم محلی موج می زند. پس از چند ساعت تجزیه و تحلیل، برنامه 8 متغیر را برگرداند. ویدئویی از یک لامپ لاوا نیز 8 هشت متغیر را تولید کرد. آنها سپس یک کلیپ ویدیویی از شعله های آتش را از حلقه شومینه تعطیلات تغذیه کردند و برنامه 24 متغیر را برگرداند.
لیپسون گفت، همیشه به این فکر می کردم که اگر تا به حال با یک نژاد بیگانه باهوش برخورد کنیم، آیا آنها همان قوانین فیزیک ما را کشف کرده اند یا ممکن است جهان را به گونه ای متفاوت توصیف کنند؟
"شاید برخی از پدیده ها به طرز معمایی پیچیده به نظر برسند، زیرا ما سعی می کنیم آنها را با استفاده از مجموعه ای اشتباه از متغیرها درک کنیم. در آزمایش‌ها، تعداد متغیرها در هر بار راه‌اندازی مجدد هوش مصنوعی یکسان بود، اما متغیرهای خاص متفاوت بودند. بنابراین بله، راه‌های جایگزینی برای توصیف جهان وجود دارد، و کاملاً ممکن است که انتخاب‌های ما کامل نباشند.»
این نوع هوش مصنوعی می‌تواند به دانشمندان کمک کند تا پدیده‌های پیچیده‌ای را کشف کنند که درک نظری آنها با سیل داده‌ها همگام نیست - حوزه‌هایی از زیست‌شناسی تا کیهان‌شناسی.
دکتری کوانگ هوانگ '22، که یکی از نویسندگان مقاله، گفت:, "در حالی که ما از داده های ویدئویی در این کار استفاده کردیم، از هر منبع داده آرایه ای می توان استفاده کرد - برای مثال آرایه های رادار یا آرایه های DNA."
لیپسون این را استدلال می کند دانشمندان ممکن است بسیاری از پدیده ها را به دلیل نداشتن مجموعه ای از متغیرهای مناسب برای توصیف آنها اشتباه تفسیر کنند یا نتوانند آنها را درک کنند.
برای هزاران سال، مردم از حرکت سریع یا آهسته اشیاء اطلاع داشتند، اما تنها زمانی که مفهوم سرعت و شتاب به طور رسمی کمی سازی شد، نیوتن توانست قانون معروف حرکت خود را کشف کند.
«متغیرهایی که دما و فشار را توصیف می‌کنند باید قبل از رسمیت بخشیدن به قوانین ترمودینامیک شناسایی می‌شدند و به همین ترتیب برای هر گوشه از دنیای علمی. متغیرها پیش درآمد هر نظریه ای هستند.
مرجع مجله:
- Chen، B.، Huang، K.، Raghupathi، S. و همکاران. کشف خودکار متغیرهای بنیادی پنهان در داده های تجربی. Nat Comput Sci 2، 433–442 (2022). DOI: 10.1038/s43588-022-00281-6
