KI entdeckt ihre eigene „grundlegende“ Physik und Wissenschaftler sind ratlos

Die Physik ist eine der strengeren – und starreren – Disziplinen der Wissenschaft, gespickt mit langen Gleichungen und komplexen Messungen, die genau richtig gemacht werden müssen, um ihre Geheimnisse zu enthüllen. Doch bevor auch nur die einfachste Gleichung zusammengestellt wurde, mussten Wissenschaftler zunächst einen entscheidenden Vorläufer geschriebener Gleichungen herausfinden: die Variablen eines Systems.

Nehmen Sie Newtons große grundlegende Kraftgleichung: F=MA. Bevor eine solche Gleichung aufgestellt werden konnte, musste Newton zunächst die Konzepte Beschleunigung, Masse und Kraft verstehen. Dies ist eine Aufgabe, für die es keinen klaren Weg gibt, sagte Hod Lipson, Professor für Ingenieurwesen und Datenwissenschaft an der Columbia University, gegenüber Motherboard.

„Es ist eine Kunst, es gibt keinen systematischen Weg“, sagt Lipson. „Es ist fast so, wie man das Alphabet entdeckt? Es passiert einfach organisch.“

Im Creative Machines Lab von Lipson wollen er und seine Kollegen besser verstehen, wie dieser Entdeckungsprozess abläuft und wie er durch den Einsatz maschinellen Lernens verbessert werden kann, um verborgene, alternative Physik aufzudecken, die menschlichen Wissenschaftlern möglicherweise entgangen ist.

Zu diesem Zweck haben Lipson und Kollegen einen Algorithmus für maschinelles Lernen entwickelt, der in der Lage ist, physikalische Phänomene zu untersuchen, indem er Videos „anschaut“, etwa den Schwung eines Doppelpendels oder das Flackern einer Flamme, und die Anzahl der Variablen erzeugt, die zur Erklärung der Aktion erforderlich sind . Für bekannte Systeme war der Algorithmus in der Lage, die korrekte Anzahl von Variablen innerhalb eines Wertes vorherzusagen (z. B. 2,05 Variablen zur Beschreibung eines einzelnen Pendels statt 2) und sogar Variablenvorhersagen für unbekannte Systeme zu treffen. Die Ergebnisse wurden letzte Woche in einer Studie mit dem Titel „Automatisierte Entdeckung grundlegender Variablen, die in experimentellen Daten verborgen sind“ in der Zeitschrift Nature Computational Science veröffentlicht.

Obwohl dieser Algorithmus nicht der erste ist, der Daten untersucht und versucht, eine physikalische Beziehung daraus zu extrahieren, zeichnet sich diese Arbeit laut Lipson dadurch aus, dass sie dem Algorithmus als erster keine Informationen über die Anzahl oder Art der erwarteten Variablen in a liefert System. Aus diesem Grund ist das System nicht darauf beschränkt, Variablen nur durch die menschliche Linse zu suchen, was laut Lipson entscheidend für die Aufdeckung verborgener Physik in diesen Systemen sein könnte.

„Es ist nicht so, dass sich die Leute Tag und Nacht damit abmühen, nach diesen Variablen zu suchen, und das kann den Prozess beschleunigen“, erklärt Lipson.

„Es ist eher so, dass wir wahrscheinlich eine Menge Dinge übersehen“, fährt er fort. „Aber so viel hängt von diesen Variablen ab, dass wir dachten, wenn wir etwas KI-Leistung einsetzen könnten, würden wir vielleicht Dinge entdecken, die sehr nützlich sind und unsere Denkweise verändern.“

Um ihren Algorithmus auf Erfolg vorzubereiten, fütterten Lipson und Kollegen, darunter der Erstautor des Artikels und jetzige Assistenzprofessor für Ingenieurwissenschaften an der Duke University, Boyuan Chen, ihn mit Videos dynamischer Bewegungen unterschiedlicher Komplexität. Dazu gehörten bekannte Bewegungen wie Doppelpendel und Schaukelstäbe sowie noch nicht verstandene Bewegungen wie Lavalampen, flackernde Feuer oder aufblasbare Lufttänzer.

Nach dem Studium dieser Videos versuchte die KI, die Phänomene ein paar Schritte in die Zukunft zu modellieren und eine Liste immer kleinerer Variablen zu erstellen, die für die Aktion verantwortlich waren. Schließlich würde die KI die minimale Anzahl an Variablen ausspucken, die das System benötigt, um die Bewegung genau zu erfassen.

Während die KI ziemlich erfolgreich darin war, die richtige Anzahl an Variablen zu entdecken, gibt es einen großen Haken, der sie davon abhalten wird, bald in wissenschaftliche Labore vorzudringen. Es kann Wissenschaftlern sagen, dass es eine bestimmte Anzahl von Variablen in einem System gibt, aber es fehlt derzeit an Sprache, um diese Variablen zu beschreiben – zum Beispiel wurden acht Variablen für den „Lufttänzer“ und 24 für den Kamin zurückgegeben. Erklärbarkeit ist ein langjähriges Forschungsziel für KI-Systeme, bei denen es sich um komplexe Black Boxes handeln kann, die es Wissenschaftlern erschweren, eine bestimmte Entscheidung zurückzuentwickeln.

Darüber macht sich Chen vorerst keine allzu großen Sorgen.

„Was wir derzeit haben, ist wie ein allgemeiner Rahmen“, sagt Chen. „Es wird sehr interessant sein, mit Experten zusammenzuarbeiten, die über Daten verfügen und ein Gespür dafür haben, was diese Daten bewirken. Wir möchten ihnen dabei helfen, herauszufinden, was sie über die Daten noch nicht wissen.“

In Zukunft könnte dies so aussehen, als würde man Systeme jenseits der Physik untersuchen, etwa die Entwicklung von Krankheiten oder den Klimawandel, sagt Lipson. Sie hoffen, dass die Muster, die sich aus dem Algorithmus ergeben, künftig dazu beitragen werden, seine Ergebnisse einfacher an menschliche Mitarbeiter weiterzugeben. Laut Lipson wird dies der nächste große Fortschritt in der wissenschaftlichen Entdeckung sein.

„Menschen machen das seit 300 Jahren, und es kommt mir so vor, als wären wir am Ende dessen angelangt, was wir manuell tun können“, sagt Lipson. „Wir brauchen etwas, das uns hilft, die nächste Stufe zu erreichen.“

Mit Ihrer Anmeldung stimmen Sie den Nutzungsbedingungen und der Datenschutzrichtlinie zu und stimmen dem Erhalt elektronischer Mitteilungen von der Vice Media Group zu, die Marketingaktionen, Werbung und gesponserte Inhalte umfassen können.