ИИ учится строить простые уравнения для сложных систем

Исследовательская группа из Университета Дьюка разработала новую структуру искусственного интеллекта, которая может раскрыть простые и понятные правила, управляющие некоторыми из самых сложных динамик, встречающихся в природе и технологиях.

Система ИИ работает во многом так же, как великие «динамики» истории — те, кто изучает системы, которые меняются с течением времени, — открыли множество законов физики, которые управляют поведением таких систем. Подобно тому, как Ньютон, первый специалист по динамике, вывел уравнения, связывающие силу и движение, ИИ берет данные о том, как сложные системы развиваются с течением времени, и генерирует уравнения, которые точно их описывают.

Однако ИИ может пойти даже дальше, чем человеческий разум, распутывая сложные нелинейные системы с сотнями, если не тысячами переменных, в более простые правила с меньшим количеством измерений.

Работа, опубликовано в журнале npj Сложностьпредлагает ученым новый способ использования искусственного интеллекта для понимания сложных систем, которые меняются со временем, таких как погода, электрические цепи, механические системы и даже биологические сигналы.

«Научные открытия всегда зависели от поиска упрощенных представлений сложных процессов», — сказал Боюань Чен, директор Лаборатории общей робототехники и доцент кафедры машиностроения и материаловедения семьи Дикинсон в Университете Дьюка.

«У нас все больше необработанных данных, необходимых для понимания сложных систем, но нет инструментов, позволяющих превратить эту информацию в своего рода упрощенные правила, на которые полагаются ученые. Устранение этого разрыва имеет важное значение».

Траектория пушечного ядра зависит от многих переменных, таких как скорость и угол выхода, сопротивление воздуха, различные скорости ветра и даже температура окружающей среды, среди многих других. Однако очень точное приближение можно найти с помощью простого линейного уравнения, в котором используются только первые два.

Это пример теоретической идеи, первоначально предложенной математиком. Бернард Купман в 1930-е годы: Сложные нелинейные системы можно математически представить с помощью линейных моделей. Новый подход искусственного интеллекта основан на этой концепции.

Однако есть одна загвоздка. Чтобы найти линейные модели чрезвычайно сложных систем, необходимо разработать сотни, если не тысячи уравнений, включающих столько же переменных. А человеческий разум не очень хорошо справляется с такими большими числами.

Вот тут-то и пригодится ИИ.

Новая структура рассматривает данные временных рядов На основе экспериментов выявляет информативные закономерности в развитии системы и использует глубокое обучение вместе с ограничениями, основанными на физике, чтобы выделить гораздо меньший набор переменных, который по-прежнему отражает основное поведение системы. Результатом является компактное описание системы, которая математически ведет себя как линейная, но при этом отражает сложность реальности.

Команда применила свою концепцию к широкому спектру систем: от привычных движений маятника до нелинейных ритмов электрических цепей, до моделей, используемых в науке о климате, и нейронных цепях.

Несмотря на различия, каждая система обнаружила небольшой набор скрытых переменных, определяющих ее поведение. Во многих случаях эти сокращенные модели были более чем в 10 раз меньше, чем требовались предыдущие подходы машинного обучения, но при этом обеспечивали надежные долгосрочные прогнозы.

«Что выделяется, так это не только точность, но и интерпретируемость», — сказал Чен, который также работает в области электротехники, вычислительной техники и информатики.

«Когда линейная модель компактна, процесс научных открытий может быть естественным образом связан с существующими теориями и методами, которые ученые-люди разрабатывали на протяжении тысячелетий. Это все равно что соединить ученых-ИИ с учеными-людьми».

Помимо прогнозирования, эта структура может определять стабильные состояния, известные как аттракторы, в которых система имеет тенденцию стабилизироваться с течением времени. Эти состояния имеют решающее значение для понимания того, ведет ли система себя нормально, дрейфует или движется к нестабильности.

«Для динамикиста обнаружение этих структур похоже на поиск ориентиров нового ландшафта», — сказал Сэм Мур, ведущий автор и доктор философии. кандидат в Лабораторию общей робототехники Чена.

«Как только вы узнаете, где находятся стабильные точки, остальная часть системы начнет обретать смысл».

Исследователи подчеркивают, что этот метод особенно полезен, когда традиционные уравнения отсутствуют, неполны или слишком сложны для вывода.

«Речь идет не о замене физики», — продолжил Мур. «Речь идет о расширении нашей способности рассуждать, используя данные, когда физика неизвестна, скрыта или слишком громоздка, чтобы ее можно было записать».

Заглядывая в будущее, команда изучает, как эта структура может помочь в экспериментальном проектировании, активно выбирая, какие данные собирать, чтобы более эффективно раскрыть структуру системы. Они также предполагают применить этот подход к более богатым формам данных, таким как видео, аудио или сигналы, собранные из сложных биологических систем.

Это исследование является частью долгосрочной миссии в Лаборатории общей робототехники Чена, где команда стремится разработать «учёные-машиностроители«чтобы способствовать автоматическим научным открытиям.

Соединяя современный ИИ с математическим языком динамических систем, работа указывает на будущее, в котором ИИ не просто распознает закономерности, но помогает раскрыть фундаментальные правила, управляющие физическим и живым миром.