Een nieuw computeralgoritme, of een reeks regels, die nauwkeurig de banen van planeten in het zonnestelsel voorspelt, zou kunnen worden aangepast om het gedrag van het plasma dat fusiefaciliteiten voedt die zijn ontworpen om op aarde de fusie-energie te oogsten die de zon en de sterren aandrijft, beter te voorspellen en te beheersen.

Het algoritme, bedacht door een wetenschapper van het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse Department of Energy (DOE), past machine learning toe, de vorm van kunstmatige intelligentie (AI) die leert van ervaring, om de voorspellingen te ontwikkelen. "Meestal in de natuurkunde, je doet observaties, maak een theorie op basis van die waarnemingen, en vervolgens die theorie gebruiken om nieuwe waarnemingen te voorspellen, " zei PPPL-natuurkundige Hong Qin, auteur van een paper waarin het concept wordt beschreven in Wetenschappelijke rapporten . "Wat ik doe, is dit proces vervangen door een soort zwarte doos die nauwkeurige voorspellingen kan produceren zonder een traditionele theorie of wet te gebruiken."

Qin (spreek uit als Chin) creëerde een computerprogramma waarin hij gegevens invoerde van eerdere waarnemingen van de banen van Mercurius, Venus, Aarde, Mars, Jupiter, en de dwergplaneet Ceres. Dit programma, samen met een extra programma dat bekend staat als een 'serving-algoritme, ' deed vervolgens nauwkeurige voorspellingen van de banen van andere planeten in het zonnestelsel zonder de wetten van beweging en zwaartekracht van Newton te gebruiken. "Eigenlijk, Ik omzeilde alle fundamentele ingrediënten van de natuurkunde. Ik ga direct van data naar data, ' zei Qin. 'Er is geen natuurkundige wet in het midden.'

Het programma gebeurt niet per ongeluk bij nauwkeurige voorspellingen. "Hong leerde het programma het onderliggende principe dat door de natuur wordt gebruikt om de dynamiek van elk fysiek systeem te bepalen, " zei Joshua Burby, een natuurkundige aan het Los Alamos National Laboratory van de DOE die zijn Ph.D. in Princeton onder het mentorschap van Qin. "De uitbetaling is dat het netwerk de wetten van planetaire beweging leert na getuige te zijn geweest van zeer weinig trainingsvoorbeelden. Met andere woorden, zijn code 'leert' echt de wetten van de fysica."

Machine learning maakt computerprogramma's zoals Google Translate mogelijk. Google Translate doorzoekt een enorme hoeveelheid informatie om te bepalen hoe vaak een woord in de ene taal is vertaald in een woord in de andere taal. Op deze manier, het programma kan een nauwkeurige vertaling maken zonder daadwerkelijk een taal te leren.

Het proces komt ook voor in filosofische gedachte-experimenten zoals John Searle's Chinese Room. In dat scenario, een persoon die geen Chinees kende, kon toch een Chinese zin in het Engels of een andere taal 'vertalen' met behulp van een reeks instructies, of regels, dat zou in de plaats komen van begrip. Het gedachte-experiment roept vragen op over wat, aan de wortel, het betekent om iets te begrijpen, en of begrip impliceert dat er iets anders in de geest gebeurt dan het volgen van regels.

Qin werd gedeeltelijk geïnspireerd door het filosofische gedachte-experiment van de Oxford-filosoof Nick Bostrom dat het universum een ​​computersimulatie is. Als dat waar zou zijn, dan zouden fundamentele natuurwetten moeten onthullen dat het universum uit individuele brokken ruimte-tijd bestaat, zoals pixels in een videogame. "Als we in een simulatie leven, onze wereld moet discreet zijn, " zei Qin. De black box-techniek die Qin bedacht, vereist niet dat natuurkundigen het simulatievermoeden letterlijk geloven, hoewel het voortbouwt op dit idee om een ​​programma te maken dat nauwkeurige fysieke voorspellingen doet.

Het resulterende gepixelde beeld van de wereld, verwant aan wat wordt geportretteerd in de film The Matrix, staat bekend als een discrete veldentheorie, die het universum ziet als samengesteld uit individuele stukjes en verschilt van de theorieën die mensen normaal creëren. Terwijl wetenschappers doorgaans overkoepelende concepten bedenken van hoe de fysieke wereld zich gedraagt, computers stellen gewoon een verzameling gegevenspunten samen.

Qin en Eric Palmerduca, een afgestudeerde student in het Princeton University Program in Plasma Physics, ontwikkelen nu manieren om discrete veldtheorieën te gebruiken om het gedrag van plasmadeeltjes te voorspellen in fusie-experimenten uitgevoerd door wetenschappers over de hele wereld. De meest gebruikte fusiefaciliteiten zijn donutvormige tokamaks die het plasma opsluiten in krachtige magnetische velden.

Fusie, de kracht die de zon en de sterren aandrijft, combineert lichte elementen in de vorm van plasma - het hete, geladen toestand van materie bestaande uit vrije elektronen en atoomkernen die 99% van het zichtbare universum vertegenwoordigen - om enorme hoeveelheden energie te genereren. Wetenschappers proberen fusie op aarde na te bootsen voor een vrijwel onuitputtelijke stroomvoorziening om elektriciteit op te wekken.

"In een magnetisch fusieapparaat, de dynamiek van plasma's is complex en multischaal, en de effectieve geldende wetten of rekenmodellen voor een bepaald fysiek proces waarin we geïnteresseerd zijn, zijn niet altijd duidelijk, " zei Qin. "In deze scenario's, we kunnen de machine learning-techniek toepassen die ik heb ontwikkeld om een ​​discrete-veldentheorie te creëren en vervolgens deze discrete-veldentheorie toepassen om nieuwe experimentele waarnemingen te begrijpen en te voorspellen."

Dit proces roept vragen op over de aard van de wetenschap zelf. Willen wetenschappers geen natuurkundige theorieën ontwikkelen die de wereld verklaren, in plaats van simpelweg gegevens te verzamelen? Zijn theorieën niet fundamenteel voor de natuurkunde en noodzakelijk om verschijnselen te verklaren en te begrijpen?

"Ik zou beweren dat het uiteindelijke doel van elke wetenschapper voorspelling is, ' zei Qin. 'Je hebt misschien niet per se een wet nodig. Bijvoorbeeld, als ik een planetaire baan perfect kan voorspellen, Ik hoef Newtons wetten van zwaartekracht en beweging niet te kennen. Je zou kunnen stellen dat je daardoor minder zou begrijpen dan wanneer je de wetten van Newton zou kennen. In zekere zin, dat is juist. Maar praktisch gezien het maken van nauwkeurige voorspellingen doet niets minder."

Machine learning zou ook mogelijkheden kunnen bieden voor meer onderzoek. "Het verbreedt de reikwijdte van de problemen die je kunt aanpakken aanzienlijk, omdat je alleen maar data nodig hebt, ' zei Palmerduca.

De techniek zou ook kunnen leiden tot de ontwikkeling van een traditionele natuurkundige theorie. "Hoewel deze methode in zekere zin de noodzaak van een dergelijke theorie uitsluit, het kan ook worden gezien als een pad naar een, "Zei Palmerduca. "Als je een theorie probeert af te leiden, u wilt zo veel mogelijk gegevens tot uw beschikking hebben. Als je wat gegevens krijgt, je kunt machine learning gebruiken om gaten in die gegevens op te vullen of de dataset op een andere manier uit te breiden."