L’outil d’IA dont les physiciens raffolent est open source ! En vous appuyant sur des données expérimentales pour découvrir directement des formules physiques, vous pouvez l'exécuter sur votre ordinateur portable

Un outil d'IA qui rend les physiciens extatiques est open source sur GitHub !

Cela s'appelle Φ-SO. Il peut trouver des modèles cachés directement à partir des données et peut fournir la formule correspondante directement en une seule étape.

L'ensemble du processus ne nécessite pas l'utilisation de supercalculateurs Un ordinateur portable peut résoudre l'équation masse-énergie d'Einstein en 4 heures environ.

Ce résultat provient du département Data61 de l'Université de Strasbourg en Allemagne et de l'Organisation australienne de recherche scientifique et industrielle du Commonwealth. Selon le premier auteur de l'article, la recherche a duré un an et demi et a reçu une large attention. de la communauté universitaire.

Une fois le code open source, l'étoile monte très vite.

En plus des physiciens appelant directement Amazing, il y a aussi des chercheurs d'autres disciplines venus discuter si la même méthode peut être transférée dans leurs domaines.

Apprentissage par renforcement + Contraintes de condition physique

Φ-SO La technologie derrière s'appelle "Régression symbolique profonde", utilisant Réseau neuronal récurrent (RNN) + Apprentissage par renforcement Réalisé.

Entrez d'abord le symbole précédent et les informations contextuelles dans RNN, prédisez la distribution de probabilité du symbole suivant et répétez cette étape pour générer un grand nombre d'expressions.

Dans le même temps, les conditions physiques sont intégrées au processus d'apprentissage en tant que connaissances préalables pour empêcher l'IA de formuler des formules sans signification réelle, ce qui peut réduire considérablement l'espace de recherche.

Présentation de l'apprentissage par renforcement pour permettre à l'IA d'apprendre à générer la formule qui correspond le mieux aux données d'origine.

Contrairement à l'apprentissage par renforcement, qui est utilisé pour jouer aux échecs, contrôler des robots, etc., dans les tâches de régression symbolique, vous n'avez qu'à vous soucier de la façon de trouver la meilleure formule et ne vous souciez pas des performances moyennes du réseau neuronal.

Ainsi, les règles de l'apprentissage par renforcement sont conçues pour récompenser uniquement les 5 % des formules candidates les plus performantes, et il n'y a aucune pénalité pour trouver les 95 % restants, encourageant le modèle à explorer pleinement l'espace de recherche.

L'équipe de recherche a utilisé des formules classiques telles que l'expression analytique d'oscillateurs harmoniques amortis, la formule énergétique d'Einstein et la formule de gravitation universelle de Newton pour mener des expériences.

Φ-SO peut restaurer à 100% ces formules à partir des données, et les méthodes ci-dessus sont indispensables.

Par rapport à d'autres méthodes de MLP, Φ-SO fonctionne également mieux en dehors de la plage d'entraînement.

L'équipe de recherche a finalement déclaré que même s'il y a encore place à l'amélioration de l'algorithme lui-même, leur tâche principale a été modifiée pour utiliser de nouveaux outils pour découvrir des lois physiques inconnues.

GitHub : ​​https://www.php.cn/link/c338d814c14c9d479eb5ec0b99d887f6​​
Papier : ​ ​https://www.php. cn/link/4738a8f6fab937d899ae9631beab116f​​

Lien de référence : [1]​​​https://www.php.cn/link/5 c8 cb735a1ce65dac514233cbd5576d6​ ​

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!