Outre la vitesse angulaire et la vitesse linéaire, existe-t-il une autre façon de décrire l’univers ? L'IA découvre de nouvelles variables publiées dans la sous-revue Nature

Laisser l'IA découvrir les lois physiques n'est pas nouveau. Il y a quelque temps, nous avons rapporté la nouvelle selon laquelle « donnez à GNN un tas de données, et il peut découvrir la loi de la gravité par lui-même ». Mais que se passe-t-il si nous ne lui donnons même pas de variables ? Une étude de l’Université de Columbia montre que l’IA peut extraire elle-même des variables simplement en observant des phénomènes avec une caméra, et que certaines d’entre elles pourraient ne pas encore être découvertes par les humains. Si nous utilisons cette méthode pour découvrir de nouvelles variables, pouvons-nous découvrir de nouvelles lois physiques ?

E = mc² est une équation masse-énergie qui explique la relation entre l'énergie et la masse, où E représente l'énergie, m représente la masse et c représente la vitesse de la lumière (constante, c=299792458 m/s, parfois 3,00×108 MS ). L'équation masse-énergie a été proposée par Einstein. Elle est principalement utilisée pour expliquer la perte de masse dans les réactions nucléaires et pour calculer l'énergie des particules en physique des hautes énergies. Elle a également contribué à la naissance de la mécanique ondulatoire.

Il y a plus de cent ans, Einstein possédait apparemment déjà les variables de base que sont l'énergie, la masse et la vitesse avant de proposer cette équation. Sans ces variables, même Einstein n’aurait pas pu découvrir la théorie de la relativité. Mais étonnamment, l’intelligence artificielle peut désormais découvrir automatiquement ces variables, dont certaines dépassent ce que les humains connaissent, ce qui accélérera considérablement la découverte scientifique.

Il s'agit d'une nouvelle étude de l'Université de Columbia. Des chercheurs ont tenté de laisser un programme d'intelligence artificielle observer des phénomènes physiques à l'aide de caméras, puis ont tenté de rechercher le plus petit ensemble de variables de base pouvant décrire pleinement le phénomène observé. Le document de recherche a été publié le 25 juillet dans la revue Nature Computational Science.

Adresse papier : https://www.nature.com/articles/s43588-022-00281-6

Comme le montre la figure ci-dessous, cette recherche permet à l'IA d'observer le mouvement chaotic rocker Vidéos de systèmes de conduite, identifiant et extrayant de ces clips vidéo de grande dimension les variables d'état minimales requises pour décrire de tels systèmes.

Les scientifiques alimentent d'abord le système en images vidéo brutes d'un phénomène physique dont ils connaissent déjà la solution. Par exemple, ils ont fourni une vidéo d’un pendule oscillant, connu pour avoir quatre « variables d’état » : l’angle et la vitesse angulaire de chacun de ses deux bras. Après plusieurs heures d'analyse, l'IA a donné la réponse : 4.7.

"Nous pensons que cette réponse est assez proche", a déclaré Hod Lipson, co-auteur de l'article et directeur du Creative Machines Lab au Département de génie mécanique. "D'autant plus que l'IA n'a accès qu'à des séquences vidéo brutes, sans aucune connaissance en physique ou en géométrie. Mais nous voulons savoir quelles variables elle utilise, pas seulement un nombre

Ensuite, faites des recherches sur l'humain." procède à la visualisation des variables réelles identifiées par le programme d'IA. L’extraction des variables elle-même est difficile car le programme ne peut pas les décrire d’une manière intuitive que les humains peuvent comprendre. Après quelques investigations, deux variables choisies par le programme semblaient correspondre approximativement aux angles des deux bras oscillants, mais les deux autres restaient un mystère.

"Nous essayons de relier les deux autres variables à toutes les variables connues auxquelles nous pouvons penser : vitesse angulaire et vitesse linéaire, énergie cinétique et énergie potentielle, et diverses combinaisons de quantités connues", premier auteur de l'article, juste est diplômé de l'Université de Columbia, a expliqué Boyuan Chen, aujourd'hui professeur adjoint à l'Université Duke qui a obtenu son doctorat. "Mais aucune des variables connues ne semblait correspondre parfaitement aux deux variables identifiées par le programme d'IA." L'équipe pense que l'IA a trouvé un ensemble valide de quatre variables parce qu'elle a fait une bonne prédiction, "mais nous ne le faisons pas". Je ne comprends pas encore le langage mathématique qu'il utilise", explique-t-il.

Après avoir vérifié de nombreux autres systèmes physiques avec des solutions connues, les scientifiques ont saisi des vidéos de systèmes pour lesquels ils ne connaissaient pas de réponse claire. L'une des vidéos montre un ballon se balançant au gré du vent. Après plusieurs heures d'analyse, le programme a renvoyé 8 variables. De même, les vidéos sur les lampes à lave ont donné 8 variables. Lorsque la vidéo a été transformée en vidéo sur une cheminée, le programme a renvoyé 24 variables.

Une question particulièrement intéressante est la suivante : l'ensemble de variables trouvé par le programme d'IA est-il unique pour chaque système ? En d’autres termes, après chaque redémarrage du programme, le prochain ensemble de variables trouvé sera-t-il toujours le même que celui d’origine ?

"Je me suis toujours demandé si nous pouvions rencontrer une espèce extraterrestre particulièrement intelligente, auraient-ils découvert certaines des lois physiques que nous avons découvertes ? Ou la décriraient-ils d'une manière différente ? " L'univers ? Lipson a déclaré: "Peut-être que certains phénomènes semblent très compliqués parce que nous avons essayé de les décrire avec le mauvais ensemble de variables."

Dans l'expérience, le nombre de variables extraites par l'IA à chaque fois est le même, mais les variables spécifiques sont différentes à chaque fois. Par conséquent, nous disposons d’autres manières de décrire l’univers que la manière conventionnelle, et la manière que nous choisissons actuellement n’est peut-être pas parfaite.

Les chercheurs affirment que ce type d'IA peut aider les scientifiques à découvrir des phénomènes complexes en biologie, en cosmologie et dans d'autres disciplines, où la compréhension théorique ne peut pas suivre les quantités massives de données. "Bien que nous ayons utilisé des données vidéo dans ce travail, tout type de source de données peut être utilisé, comme un réseau radar ou un réseau ADN", explique le co-auteur Kuang Huang.

Ce travail fait partie d'un intérêt de recherche de plusieurs décennies mené par Lipson et Qiang Du, professeur de mathématiques appliquées à la Fondation Fu à l'Université de Columbia, dans la création d'algorithmes capables de transformer les données en lois scientifiques. Les systèmes logiciels antérieurs, tels que le logiciel Eureqa de Lipson et Michael Schmidt, pouvaient extraire des lois physiques arbitraires à partir de données expérimentales, mais uniquement si les variables étaient prédéterminées. Mais que se passe-t-il si nous ne connaissons même pas encore les variables ?

Lipson estime que les scientifiques comprennent parfois mal ou ne parviennent pas à comprendre un phénomène simplement parce qu'ils ne disposent pas d'un bon ensemble de variables pour le décrire. "Depuis des milliers d'années, les gens ont une idée de la vitesse à laquelle un objet se déplace, mais ce n'est que lorsque les concepts de vitesse et d'accélération ont été formellement quantifiés que Newton a découvert la célèbre deuxième loi de Newton : F = MA", a déclaré Lipson. Ces variables sont les conditions préalables à la formation de la théorie. Sur cette base, Du Qiang a voulu savoir : « Quelles autres lois n'avons-nous pas découvertes en raison du manque de variables ? est actuellement professeur adjoint à l'Université Duke, responsable de la direction du laboratoire de robotique universelle (General Robotics Lab). Il a obtenu un doctorat en informatique de l'Université de Columbia, avec une spécialisation en vision par ordinateur, apprentissage automatique et robotique, et a étudié auprès du professeur Hod Lipson, pionnier mondial de la robotique, de la science des données et de l'impression 3D. Il a publié de nombreux articles lors de grandes conférences internationales dans le domaine de l'intelligence artificielle et de la robotique (NeurIPS, IROS, GECCO, Humanoids, etc.) et a été réviseur pour plusieurs conférences internationales (CVPR, ICML, ICLR, PRCV, etc.) . En outre, il a également reçu une bourse d'études ACM GECCO, une bourse du gouvernement chinois, une bourse d'études en sciences et technologies spatiales de l'Académie chinoise des sciences, etc.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!