Исследователи создали «AI Physicist», который может выводить законы физики в воображаемых вселенных

Обучение ИИ тому, как объединять малые модели для понимания сложных ситуаций, стало камнем преткновения для машинного обучения.

Двое исследователей из Массачусетского технологического института создали «AI Physicist», который может генерировать теории о физических законах в выдуманных вселенных. Это знаменует собой важный шаг на пути к созданию алгоритмов машинного обучения, которые способны непросто находить шаблоны, но и экстраполировать эти шаблоны для создания прогнозов о будущем. Это может стать основой для научных открытий, сделанных исключительно искусственным интеллектом.

Когда ИИ даётся набор данных, он анализирует эти данные для создания модели. Характер этой модели будет зависеть от задачи. Например, если бы нам нужно было научить ИИ распознавать котов, мы бы «скормили»ему тысячи их изображений, чтобы алгоритм смог обобщить найденные на каждой фотографии аналогичные черты и создать модель кошки. То, как искусственный интеллект создаёт модели, аналогично тому, как учёные используют теории для генерализации от конкретного явления ко всем подобным явлениям в схожих контекстах.

Однако есть одно важное отличие. В приведённом выше примере ИИ получал изображения, которые уже фокусировались на котах. Гораздо более сложная задача, аналогичная научным изысканиям, состояла бы в том, чтобы дать ИИ изображения кошек в подобных условиях, например, в лесу. С таким набором данных ИИ, которому поручено создать модель кошки, пришлось бы игнорировать нерелевантные детали (например, все растения) и сосредоточиться только на кошке. В противном случае, он мог бы прийти к модели, согласно которой все кошки живут в лесах. Если после этого дать ИИ изображение спящего на кровати кота, он не сможет распознать его, потому что его модель ошибочна. Хотя для ИИ это не совсем ошибка, множество видов кошек живут исключительно в лесах, ошибка заключалась бы в создании одной большой модели и попытке подогнать все данные под эту модель.

Более плодотворный подход, как раз тот, который используется учёными, заключается в создании малых моделей или теорий, которые применяются к подмножествам данных наблюдений, с последующим объединением этих малых теорий до тех пор, пока не получится «теория всего». Обучение ИИ тому, как делить данные для создания малых моделей, которые можно затем объединить для создания более крупных моделей, оказалось чрезвычайно сложной задачей для исследователей машинного обучения. Однако согласно докладу, опубликованному на прошлой неделе в arXiv, Тайлин Ву и Макс Тегмарк, два физика из MIT, сделали важный шаг в этом направлении со своим «AI Physicist».

Чтобы выполнить задачу, Тегмарк и Ву вложили в свой алгоритм машинного обучения четыре стратегии, к которым прибегают учёные, для того, чтобы он мог генерировать теории о сложных наблюдениях. Эти стратегии были следующими: разделяй и властвуй (генерация множества теорий, каждая из которых соответствует только части данных), бритва Оккама (использование простейшей возможной теории), унификация (комбинирование теорий) и «обучение на протяжении всей жизни» (попытка приложить теории для решения будущих проблем).

После того, как эти стратегии были закодированы в алгоритме машинного обучения, Тегмарк и Ву представили ему ряд постепенно усложняющихся виртуальных сред, управляемых странными физическими законами, и поручили ИИ обдумать их. В частности, целью ИИ было как можно точнее предсказать движение объекта в двух измерениях. Это потребовало бы от ИИ создания уникальных физических теорий для каждой «загадочной среды», чтобы понять, как объект будет двигаться в такой среде.

Как выяснили Тегмарк и Ву, «AI Physicist» было всё труднее понимать законы физики по мере усложнения сред. В общей сложности, ИИ-физик изучил 40 различных таинственных сред и смог создать правильные теории о физических законах, которые ими управляли, в более чем 90 процентах случаев. Более того, «AI Physicist» Тегмарка и Ву смог уменьшить количество ошибок прогнозирования в «миллиард раз» по сравнению с обычными алгоритмами машинного обучения.

Эта работа может иметь большие последствия для того, как люди будут заниматься наукой в будущем. В частности, это может оказаться особенно полезно для понимания огромных наборов сложных данных, таких же как те, которые используются в климатическом моделировании или экономике. Вполне возможно, что следующий Ньютон или Эйнштейн будет просто компьютерным кодом.

Оригинальная публикация на английском языке на Vice.com
Дополнительная статья на сайте Technology review
Доклад Тайлина Ву и Макса Тегмарка