當AI遇上愛因斯坦：下一代「物理理論」掌握者
有時我們聽到科學家發現了新的物理理論，我們可能會想到牛頓或愛因斯坦這樣的偉大物理學家，甚至想到了諾貝爾獎。但你可曾想過，人工智能（AI）也能進行這樣的壯舉？來自德國諾丁漢大學的研究人員開發出一款能夠從複雜數據集中識別模式並據此構建物理理論的AI。這項「AI的物理學」研究，與以往方法不同，其理論不僅能被解釋，且基於物理學的語言。
編寫新理論的傳統過程始於觀察系統，然後嘗試提出系統各部分如何相互作用來解釋觀察到的行為。一個著名的例子是牛頓的萬有引力定律。但每位物理學家達成這些假設的方式都不盡相同。有的從物理學的基本原則和方程式出發，推導出假設，或者採取「現象學」方法，僅僅描述觀察到的現象，而不去探究其原因。
這項AI研究則採用了一種稱為「機器學習的物理學」的方法。諾丁漢大學的研究團隊利用物理學方法來分析和理解AI的複雜功能。他們的關鍵新想法是先使用神經網路學習將觀察到的複雜行為精確映射到一個更簡單的系統。然後，研究人員利用簡化的系統，創建一個逆映射，從簡單系統回到複雜系統，從而開發新理論。
使用物理學的語言來解釋AI學習到的內容
在這過程中，複雜的相互作用逐步從簡單的相互作用中建構出來。最終，這種方法與物理學家的方法不太不同，差別在於，現在將相互作用的方式從AI的參數中讀出。這種解釋世界的觀點——從其各個部分遵循一定規律的相互作用中解釋它，這是物理學的基礎，因此被稱為「AI的物理學」。
這項AI應用於手寫數字的黑白圖像數據集，該數據集經常用於神經網路研究。克勞迪婭·默傑博士在他的博士論文中探索了如何通過像素之間的相互作用來構建圖像中的小結構，例如數字的邊緣。這個過程中發現了一起變亮的像素群體，這些群體構成了數字邊緣的形狀。
然而，這種方法與其他AI如ChatGPT的區別在於，許多AI的目標是學習用於訓練AI的數據的理論。然而，這些AI學習到的理論通常無法解釋。與之相反的是，它們隱藏在訓練有素的AI的參數中。相較於我們的方法提取了學到的理論，並用系統成分之間的相互作用的語言將其表達出來。這屬於可解釋的AI領域，特別是「AI的物理學」，因為我們使用物理學的語言來解釋AI學習到的內容。
這研究為我們提供了一種，通過相互作用的語言建立從AI的複雜內部工作，到人類可以理解的理論之間的橋樑的方法。
更多科學與科技新聞都可以直接上 明日科學網 http://www.tomorrowsci.com
首圖來源：SciTechDaily.com cc By4.0
影片來源：SciTechDaily.com cc By4.0
參考論文：
1.Learning Interacting Theories from DataPHYSICAL REVIEW X
延伸閱讀：
