角速度、线速度之外,描述宇宙还有另一种方式?AI发现新变量登Nature子刊

简介: 角速度、线速度之外,描述宇宙还有另一种方式?AI发现新变量登Nature子刊

让 AI 发现物理规律已经不是什么新鲜事,前段我们报道过「给 GNN 一堆数据,它自己就能发现万有引力定律」的消息,但如果我们连变量都不给它呢?哥伦比亚大学的一项研究表明,AI 仅通过摄像机观察现象就能自己提取出变量,而且有些变量可能是人类还没有发现的。如果借助这种方式来发现新的变量,我们是不是可以发现新的物理规律?

E = mc² 是阐述能量与质量间相互关系的质能方程,其中 E 表示能量,m 代表质量,而 c 则表示光速(常数,c=299792458m/s,有时取 3.00×10^8 m/s)。质能方程由爱因斯坦提出,主要用来解释核变反应中的质量亏损和计算高能物理中粒子的能量,并促成了波动力学的诞生。

一百多年前,爱因斯坦在提出这个方程之前显然已经有了能量、质量和速度这些基本变量。如果没有这些变量,即使是爱因斯坦,也无法发现相对论。但令人惊讶的是,人工智能现在可以自动发现这些变量,而且有些变量还超出了人类已知的范围,这将大大加快科学发现的速度。

这是来自哥伦比亚大学的一项新研究,研究者试图让一种人工智能程序通过摄像机观察物理现象,然后尝试搜索能够完全描述观察现象的最小基本变量集。研究论文于 7 月 25 日发表在《Nature Computational Science》杂志上。


论文地址:https://www.nature.com/articles/s43588-022-00281-6

如下图所示,该研究让 AI 观察运动的混沌摇杆驱动系统的视频,从这些高维视频片段中识别和提取描述此类系统所需的最少状态变量。


科学家们首先向系统提供他们已经知道解决方案的物理现象的原始视频片段。例如,他们提供了一个摆动双摆的视频,已知该双摆具有 4 个「状态变量」——两个臂中每一个的角度和角速度。经过几个小时的分析,人工智能输出了答案:4.7。

「我们认为这个答案已经足够接近了,」论文作者之一、机械工程系创意机器实验室(Creative Machines Lab)主任 Hod Lipson 说。「特别是考虑到所有 AI 可以访问的都是原始视频片段,没有任何物理或几何知识。但我们想知道它用的变量具体有哪些,而不仅仅是一个数字。」

然后,研究人员继续可视化 AI 程序识别出的实际变量。提取变量本身很困难,因为程序无法以任何人类可以理解的直观方式描述它们。经过一番调查研究,程序选择的两个变量似乎与两个摆臂的角度大致对应,但另外两个仍然是个谜。

「我们尝试将另外两个变量与我们能想到的所有已知变量联系起来:角速度和线速度、动能和势能,以及已知量的各种组合,」论文一作、刚从哥伦比亚大学拿到博士学位的现杜克大学助理教授陈博源(Boyuan Chen)解释说。「但似乎没有一个已知变量能够完美匹配 AI 程序所识别出的那两个变量。」该团队相信 AI 已经找到了一组有效的由四个变量组成的变量集,因为它做出了很好的预测,「但我们还无法理解它所用到的数学语言,」他解释说。

在用已知解决方案验证了许多其他物理系统后,科学家们输入了他们不知道明确答案的系统的视频。其中一个视频展示了一个随风摇摆的气球。经过几个小时的分析,程序返回了 8 个变量。同样,有关熔岩灯的视频也产生了 8 个变量。当视频换成关于壁炉的视频时,程序返回了 24 个变量。


一个特别有趣的问题是:AI 程序为每个系统所找到的变量集是唯一的吗?或者说,在每次重启程序之后,它所找到的下一个变量集还和原来一样吗?

「我一直在想,如果我们能遇见一个特别聪明的外星物种,他们会不会也已经发现了我们所发现的一些物理规律?或者,他们是否会以一种不同的方式描述宇宙?」Lipson 说,「或许有些现象之所以看起来非常复杂,是因为我们一直试图用错误的变量集来描述它们。」

在实验中,AI 每次重启时所提取的变量数量是相同的,但每次的具体变量是不同的。所以说,在常规方式之外,我们确实还有其他方式可以描述宇宙,而我们现在选择的这种方式未必就是完美的。

研究人员表示,这种 AI 可以帮助科学家发现生物学、宇宙学等学科中复杂的现象,在这种现象的研究中,理论理解跟不上海量数据的步伐。「虽然我们在这项工作中使用了视频数据,但其实,任何类型的阵列数据源都可以使用——例如雷达阵列或 DNA 阵列,」论文合著者 Kuang Huang 解释说。

这项工作是 Lipson 和哥伦比亚大学傅氏基金会应用数学讲席教授杜强(Qiang Du)几十年来研究兴趣的一部分,他们致力于创造可以将数据提炼成科学规律的算法。过去的软件系统,如 Lipson 和 Michael Schmidt 的 Eureqa 软件,可以从实验数据中提取任意的物理定律,但前提是预先确定变量。但如果我们连变量都还不知道呢?

Lipson 认为,科学家们有时候误解或无法理解某种现象可能仅仅是因为他们没有一组很好的变量来描述这种现象。「几千年来,人们一直都有物体运动快慢的概念,但直到速度和加速度的概念被正式量化后,牛顿才发现了著名的牛顿第二定律:F=MA,」Lipson 说。这些变量是理论得以形成的前置条件。基于这一点,杜强想知道,「还有哪些定律是因为缺乏变量而没被我们发现呢?」

相关文章
|
1月前
|
机器学习/深度学习 人工智能 编解码
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
在生物医学领域,蛋白质的结构与功能研究至关重要。ByteDance Research团队开发的CryoSTAR软件,结合AI与冷冻电镜技术,通过深度学习模型、结构先验和异质性重构算法,成功解析了蛋白质的动态行为,尤其在处理结构异质性方面表现出色。该软件已在多个蛋白质体系中取得显著成果,如TRPV1通道蛋白的动态变化研究,为理解蛋白质功能及疾病机制提供了新思路。论文链接:https://www.nature.com/articles/s41592-024-02486-1
82 26
|
1月前
|
人工智能 自然语言处理 算法
谷歌DeepMind研究再登Nature封面,隐形水印让AI无所遁形
近日,谷歌DeepMind团队在《自然》期刊上发表了一项名为SynthID-Text的研究成果。该方法通过引入隐形水印,为大型语言模型(LLM)生成的文本添加统计签名,从而实现AI生成文本的准确识别和追踪。SynthID-Text采用独特的Tournament采样算法,在保持文本质量的同时嵌入水印,显著提高了水印检测率。实验结果显示,该方法在多个LLM中表现出色,具有广泛的应用潜力。论文地址:https://www.nature.com/articles/s41586-024-08025-4。
76 26
|
1月前
|
机器学习/深度学习 人工智能 搜索推荐
哈佛推出全新类ChatGPT癌症诊断AI,登上Nature!准确率高达96%
哈佛大学研究团队开发的新型AI模型CHIEF,在《自然》期刊发表,癌症诊断准确率达96%。CHIEF基于深度学习,能自动识别、分类癌症并预测生存期,具高准确性、多任务能力和泛化性。它结合病理图像与基因组学等数据,显著提升诊断效率和个性化治疗水平,有望改善医疗资源不平等。但数据隐私和临床效果验证仍是挑战。论文见:https://www.nature.com/articles/s41586-024-07894-z
169 101
|
11天前
|
机器学习/深度学习 人工智能 计算机视觉
MILS:无需对LLM进行额外训练就能处理多模态任务,Meta AI提出零样本生成多模态描述方法
MILS 是 Meta AI 推出的零样本生成高质量多模态描述方法,支持图像、视频和音频的描述生成,无需额外训练。
101 34
MILS:无需对LLM进行额外训练就能处理多模态任务,Meta AI提出零样本生成多模态描述方法
|
2天前
|
机器学习/深度学习 人工智能 算法
ProtGPS:MIT再造生命科学新基建!蛋白质AI一键预测定位+设计新序列,登Nature子刊
ProtGPS 是麻省理工学院和怀特黑德研究所联合开发的蛋白质语言模型,能够预测蛋白质在细胞内的亚细胞定位,并设计具有特定亚细胞定位的新型蛋白质。
37 17
ProtGPS:MIT再造生命科学新基建!蛋白质AI一键预测定位+设计新序列,登Nature子刊
|
8天前
|
机器学习/深度学习 存储 人工智能
预定下一个诺奖级AI?谷歌量子纠错AlphaQubit登Nature,10万次模拟实验创新里程碑
谷歌的量子纠错算法AlphaQubit近日登上《自然》杂志,被誉为量子计算纠错领域的重大突破。量子比特易受环境噪声干扰,导致计算错误,而AlphaQubit通过神经网络学习噪声模式,显著提升纠错准确性。实验结果显示,它在Sycamore处理器和Pauli+模拟器上表现优异,优于现有解码算法。尽管面临资源需求高等挑战,AlphaQubit为实用化量子计算带来新希望,并可能推动其他领域创新。论文详见:https://www.nature.com/articles/s41586-024-08148-8
26 5
|
25天前
|
机器学习/深度学习 人工智能 算法
Nature:AI也许可以拥有常识,但不是现在
人工智能(AI)的快速发展引发了关于其是否能拥有常识的讨论。尽管AI在特定任务上取得进展,但目前仍缺乏真正的常识理解。常识涉及对物理世界、社会规范和文化背景的理解,难以通过数据和算法完全捕捉。研究人员正通过大规模语言模型和强化学习等方法提升AI的常识能力,但仍面临显著局限性,如对物理世界的直观理解不足、社会文化背景理解欠缺以及常识能力的通用性差等问题。未来,多模态学习和与人类交互有望增强AI的常识能力。
51 20
|
26天前
|
机器学习/深度学习 人工智能 测试技术
登上Nature的AI芯片设计屡遭质疑,谷歌发文反击,Jeff Dean:质疑者连预训练都没做
2020年,谷歌的AlphaChip在Nature上发表并开源,其深度强化学习方法能生成超越人类水平的芯片布局,引发AI在芯片设计领域的研究热潮。然而,ISPD 2023的一篇论文对其性能提出质疑,指出未按Nature论文方法运行、计算资源不足等问题。谷歌DeepMind团队回应,强调AlphaChip已在多代TPU和Alphabet芯片中成功应用,并批驳ISPD论文的主要错误。此外,针对Igor Markov的“元分析”和无根据猜测,谷歌提供了详细的时间线和非机密部署情况,澄清事实并重申AlphaChip的开放性和透明度。
34 13
|
1月前
|
机器学习/深度学习 人工智能
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
AI²BMD(AI-driven Biomolecular Dynamics)是由微软华人科学家团队领衔的研究,发表于《自然》杂志。该方法通过将蛋白质分解为21种常见单元,并利用机器学习模型预测其相互作用,实现高效精准的生物分子模拟。相比传统方法,AI²BMD在能量和力预测上精度更高,计算速度提升数个数量级,尤其适用于大规模蛋白质模拟,为药物设计等领域提供了有力工具。未来研究将扩展至更多生物分子类型并优化效率。论文地址:https://www.nature.com/articles/s41586-024-08127-z
61 8
|
29天前
|
人工智能 算法 前端开发
OmAgent:轻松构建在终端设备上运行的 AI 应用,赋能手机、穿戴设备、摄像头等多种设备
OmAgent 是 Om AI 与浙江大学联合开源的多模态语言代理框架,支持多设备连接、高效模型集成,助力开发者快速构建复杂的多模态代理应用。
190 72
OmAgent:轻松构建在终端设备上运行的 AI 应用,赋能手机、穿戴设备、摄像头等多种设备