Wetenschap
Latente inbeddingen van een raamwerk gekleurd door fysieke toestandsvariabelen. Krediet:Boyuan Chen/Columbia Engineering
Energie, massa, snelheid. Deze drie variabelen vormen de iconische vergelijking van Einstein E=MC 2 . Maar hoe wist Einstein in de eerste plaats van deze concepten? Een voorloper van het begrijpen van natuurkunde is het identificeren van relevante variabelen. Zonder het concept van energie, massa en snelheid zou zelfs Einstein de relativiteitstheorie niet kunnen ontdekken. Maar kunnen dergelijke variabelen automatisch worden ontdekt? Dit zou de wetenschappelijke ontdekking enorm kunnen versnellen.
Dat is de vraag die onderzoekers van Columbia Engineering stelden aan een nieuw AI-programma. Het programma is ontworpen om fysieke verschijnselen te observeren met een videocamera en vervolgens te zoeken naar de minimale set fundamentele variabelen die de waargenomen dynamiek volledig beschrijven. De studie werd op 25 juli gepubliceerd in Nature Computational Science .
De onderzoekers begonnen het systeem met onbewerkte videobeelden van fenomenen waar ze het antwoord al op wisten. Ze stuurden bijvoorbeeld een video van een slingerende dubbele slinger waarvan bekend is dat deze precies vier "toestandsvariabelen" heeft:de hoek en hoeksnelheid van elk van de twee armen. Na een paar uur analyse kwam de AI met het antwoord:4.7.
"We dachten dat dit antwoord dichtbij genoeg was", zegt Hod Lipson, directeur van het Creative Machines Lab van de afdeling Werktuigbouwkunde, waar het werk voornamelijk werd gedaan. "Vooral omdat alle AI toegang had tot onbewerkte videobeelden, zonder enige kennis van natuurkunde of geometrie. Maar we wilden weten wat de variabelen eigenlijk waren, niet alleen hun aantal."
De onderzoekers gingen vervolgens verder met het visualiseren van de werkelijke variabelen die het programma identificeerde. Het was niet eenvoudig om de variabelen zelf te extraheren, omdat het programma ze niet kan beschrijven op een intuïtieve manier die begrijpelijk is voor mensen. Na wat speurwerk bleek dat twee van de variabelen die het programma koos losjes overeenkwamen met de hoeken van de armen, maar de andere twee blijven een mysterie.
"We hebben geprobeerd de andere variabelen te correleren met alles wat we maar konden bedenken:hoek- en lineaire snelheden, kinetische en potentiële energie en verschillende combinaties van bekende grootheden", legt Boyuan Chen Ph.D., nu een assistent-professor aan de Duke University, uit. die het werk leidde. "Maar niets leek perfect te matchen." Het team was ervan overtuigd dat de AI een geldige set van vier variabelen had gevonden, aangezien het goede voorspellingen deed, "maar we begrijpen de wiskundige taal die het spreekt nog niet", legde hij uit.
Na het valideren van een aantal andere fysieke systemen met bekende oplossingen, voedden de onderzoekers video's van systemen waarvoor ze het expliciete antwoord niet wisten. De eerste video's bevatten een "luchtdanser" die golfde voor een plaatselijk parkeerterrein voor gebruikte auto's. Na een paar uur analyse gaf het programma acht variabelen terug. Een video van een lavalamp leverde ook acht variabelen op. Ze voerden vervolgens een videoclip van vlammen uit een lus van een vakantiehaard, en het programma retourneerde 24 variabelen.
Een bijzonder interessante vraag was of de set variabelen uniek was voor elk systeem, of dat er elke keer dat het programma opnieuw werd gestart een andere set werd geproduceerd.
"Ik heb me altijd afgevraagd of we ooit een intelligent buitenaards ras zouden ontmoeten, zouden ze dezelfde natuurwetten hebben ontdekt als wij, of zouden ze het universum op een andere manier kunnen beschrijven?" zei Lipson. "Misschien lijken sommige fenomenen raadselachtig complex omdat we ze proberen te begrijpen met behulp van de verkeerde reeks variabelen. In de experimenten was het aantal variabelen hetzelfde elke keer dat de AI opnieuw startte, maar de specifieke variabelen waren elke keer anders. Dus ja, er zijn alternatieve manieren om het universum te beschrijven en het is heel goed mogelijk dat onze keuzes niet perfect zijn."
De onderzoekers zijn van mening dat dit soort AI wetenschappers kan helpen bij het blootleggen van complexe fenomenen waarvoor theoretisch begrip geen gelijke tred houdt met de stortvloed aan gegevens - gebieden variërend van biologie tot kosmologie. "Terwijl we in dit werk videogegevens gebruikten, kon elk soort array-gegevensbron worden gebruikt, bijvoorbeeld radar-arrays of DNA-arrays", legt Kuang Huang, Ph.D., uit, die co-auteur van het artikel is.
Het werk maakt deel uit van Lipson en Fu Foundation Professor of Mathematics Qiang Du's decennialange interesse in het creëren van algoritmen die gegevens kunnen distilleren in wetenschappelijke wetten. Eerdere softwaresystemen, zoals de Eureqa-software van Lipson en Michael Schmidt, konden fysieke wetten in vrije vorm destilleren uit experimentele gegevens, maar alleen als de variabelen van tevoren werden geïdentificeerd. Maar wat als de variabelen nog niet bekend zijn?
Lipson, die ook de James en Sally Scapa Professor of Innovation is, stelt dat wetenschappers veel fenomenen verkeerd kunnen interpreteren of niet begrijpen, simpelweg omdat ze geen goede set variabelen hebben om de fenomenen te beschrijven.
"Duizenden jaren lang wisten mensen van snel of langzaam bewegende objecten, maar pas toen het begrip snelheid en versnelling formeel werd gekwantificeerd, kon Newton zijn beroemde bewegingswet F =MA ontdekken," merkte Lipson op. Variabelen die temperatuur en druk beschrijven, moesten worden geïdentificeerd voordat wetten van de thermodynamica konden worden geformaliseerd, enzovoort voor elke hoek van de wetenschappelijke wereld. De variabelen zijn een voorloper van elke theorie.
"Welke andere wetten missen we simpelweg omdat we de variabelen niet hebben?" vroeg Du, die het werk leidde.
Het artikel was ook co-auteur van Sunand Raghupathi en Ishaan Chandratreya, die hielpen bij het verzamelen van de gegevens voor de experimenten. + Verder verkennen
Wetenschap © https://nl.scienceaq.com