Onderzoekers van de North Carolina State University hebben ontdekt dat het aanleren van natuurkunde aan neurale netwerken die netwerken in staat stelt zich beter aan te passen aan de chaos in hun omgeving. Het werk heeft implicaties voor verbeterde toepassingen van kunstmatige intelligentie (AI), variërend van medische diagnostiek tot geautomatiseerde drone-piloten.

Neurale netwerken zijn een geavanceerd type AI dat losjes is gebaseerd op de manier waarop onze hersenen werken. Onze natuurlijke neuronen wisselen elektrische impulsen uit op basis van de sterke punten van hun verbindingen. Kunstmatige neurale netwerken bootsen dit gedrag na door numerieke gewichten en vooroordelen tijdens trainingssessies aan te passen om het verschil tussen hun werkelijke en gewenste output te minimaliseren. Bijvoorbeeld, een neuraal netwerk kan worden getraind om foto's van honden te identificeren door een groot aantal foto's te doorzoeken, raden of de foto van een hond is, zien hoe ver het is en dan zijn gewichten en vooroordelen aanpassen totdat ze dichter bij de realiteit zijn.

Het nadeel van deze neurale netwerktraining is iets dat 'chaosblindheid' wordt genoemd - een onvermogen om chaos in een systeem te voorspellen of erop te reageren. Conventionele AI is chaosblind. Maar onderzoekers van het Non-linear Artificial Intelligence Laboratory (NAIL) van NC State hebben ontdekt dat het opnemen van een Hamiltoniaanse functie in neurale netwerken hen in staat stelt om chaos binnen een systeem beter te "zien" en zich dienovereenkomstig aan te passen.

Simpel gezegd, de Hamiltoniaan belichaamt de volledige informatie over een dynamisch fysiek systeem - de totale hoeveelheid van alle aanwezige energieën, kinetisch en potentieel. Stel je een slingerende slinger voor, in de tijd heen en weer bewegen in de ruimte. Kijk nu eens naar een momentopname van die slinger. De momentopname kan u niet vertellen waar die slinger zich in zijn boog bevindt of waar hij vervolgens naartoe gaat. Conventionele neurale netwerken werken vanuit een momentopname van de slinger. Neurale netwerken die bekend zijn met de Hamiltoniaanse stroom begrijpen het geheel van de beweging van de slinger - waar het is, waar het zal of zou kunnen zijn, en de energieën die betrokken zijn bij zijn beweging.

In een proof-of-concept-project, het NAIL-team nam de Hamiltoniaanse structuur op in neurale netwerken, vervolgens toegepast op een bekend model van stellaire en moleculaire dynamica genaamd het Hénon-Heiles-model. Het Hamiltoniaanse neurale netwerk voorspelde nauwkeurig de dynamiek van het systeem, ook al bewoog het zich tussen orde en chaos.

"De Hamiltoniaan is echt de 'speciale saus' die neurale netwerken de mogelijkheid geeft om orde en chaos te leren, " zegt John Lindner, gastonderzoeker bij NAIL, hoogleraar natuurkunde aan The College of Wooster en corresponderende auteur van een paper waarin het werk wordt beschreven. "Met de Hamiltoniaan, het neurale netwerk begrijpt de onderliggende dynamiek op een manier die een conventioneel netwerk niet kan. Dit is een eerste stap in de richting van natuurkundig onderlegde neurale netwerken die ons kunnen helpen bij het oplossen van moeilijke problemen."

Het werk verschijnt in Fysieke beoordeling E en wordt gedeeltelijk ondersteund door het Office of Naval Research. NC State postdoctoraal onderzoeker Anshul Choudhary is eerste auteur. Bill Ditto, hoogleraar natuurkunde aan NC State, is directeur van NAIL. Bezoekend onderzoeker Scott Miller; Sudeshna Sinha, van het Indian Institute of Science Education and Research Mohali; en NC State afgestudeerde student Elliott Holliday droegen ook bij aan het werk.