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
|
2天前
|
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
122 101
|
3月前
|
机器学习/深度学习 人工智能
打开AI黑匣子,三段式AI用于化学研究,优化分子同时产生新化学知识,登Nature
【10月更文挑战第11天】《自然》杂志发表了一项突破性的化学研究,介绍了一种名为“Closed-loop transfer”的AI技术。该技术通过数据生成、模型训练和实验验证三个阶段,不仅优化了分子结构,提高了光稳定性等性质,还发现了新的化学现象,为化学研究提供了新思路。此技术的应用加速了新材料的开发,展示了AI在解决复杂科学问题上的巨大潜力。
46 1
|
2天前
|
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。
36 26
|
2天前
|
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
21 8
|
3月前
|
机器学习/深度学习 人工智能 算法
Nature子刊:AI模型测大脑年龄,究竟哪些因素会加速大脑衰老?
【10月更文挑战第7天】《自然医学》杂志近期发布了一项研究,介绍了一种名为BrainAge的人工智能模型,该模型可预测个体的大脑年龄并分析影响大脑衰老的因素。研究团队来自美国加州大学旧金山分校,利用英国生物银行的近50,000名参与者的数据,发现高血压、糖尿病、肥胖、吸烟、饮酒、缺乏运动及遗传因素均与大脑衰老有关。尽管存在数据集限制等局限性,BrainAge模型仍为研究大脑衰老和相关疾病提供了重要工具。
79 1
|
5月前
|
数据采集 人工智能
Nature封面:AI训练AI,越训越离谱
【8月更文挑战第16天】新发表于《自然》杂志的论文显示,当AI模型基于其他AI生成的数据训练时,会出现“模型崩溃”现象,即模型逐渐遗忘真实数据分布细节,偏向生成更常见模式而非罕见模式。这一研究由牛津、剑桥等高校合作完成,通过实验验证了不同AI模型均可能出现此问题,尤其是在低质或少量数据训练下更为显著。但通过数据增强或模型正则化可缓解该现象。研究强调了训练数据质量和来源的重要性,并引发了关于AI发展和应用的讨论。
207 58
|
4月前
|
人工智能 数据处理
Nature:AI让抄袭问题更加复杂,科学家该如何应对?
【9月更文挑战第16天】《自然》杂志一篇文章指出,AI在科研领域的应用日益增长,带来了加速数据处理、提升计算效率等益处,同时也引发了对科学标准、数据偏见及研究诚信的挑战。一项针对1600多名研究人员的调查显示,超半数认为未来十年AI将成为其研究领域不可或缺的工具。AI能够显著提升科研效率,但也可能增加对模式识别的依赖,加剧数据偏见,并引发研究不可重复性等问题。尤其是大型语言模型如ChatGPT,虽有助于改进论文语法和翻译,但也可能传播错误信息。此外,部分科学家面临计算资源和高质量数据不足等使用障碍。
56 3
|
4月前
|
人工智能 开发者
Nature曝惊人内幕:论文被天价卖出喂AI!出版商狂赚上亿,作者0收入
【9月更文挑战第8天】《自然》杂志近日揭露,学术出版商如泰勒·弗朗西斯与微软签订千万美元合约,及威利获高额报酬,将论文提供给科技巨头训练AI模型,引发学界对版权与收益分配的热议。此现象反映了AI对高质量数据的渴求,但亦使研究人员担忧成果被无偿商用,且可能影响学术独立性。尽管AI训练使用学术资源能提升模型科学性,助力科研进展,但如何保障作者权益及维持学术纯粹性仍是亟待解决的问题。https://www.nature.com/articles/d41586-024-02599-9
83 4
|
4月前
|
机器学习/深度学习 人工智能 算法
首个像人类一样思考的网络!Nature子刊:AI模拟人类感知决策
【9月更文挑战第8天】近日,《自然》子刊发表的一篇关于RTNet神经网络的论文引起广泛关注。RTNet能模拟人类感知决策思维,其表现与人类相近,在反应时间和准确率上表现出色。这项研究证明了神经网络可模拟人类思维方式,为人工智能发展带来新启示。尽管存在争议,如是否真正理解人类思维机制以及潜在的伦理问题,但RTNet为人工智能技术突破及理解人类思维机制提供了新途径。论文详细内容见《自然》官网。
85 3
|
11天前
|
机器学习/深度学习 人工智能 自动驾驶
企业内训|AI大模型在汽车行业的前沿应用研修-某汽车集团
本课程是TsingtaoAI为某汽车集团高级项目经理设计研发,课程全面系统地解析AI的发展历程、技术基础及其在汽车行业的深度应用。通过深入浅出的理论讲解、丰富的行业案例分析以及实战项目训练,学员将全面掌握机器学习、深度学习、NLP与CV等核心技术,了解自动驾驶、智能制造、车联网与智能营销等关键应用场景,洞悉AI技术对企业战略布局的深远影响。
147 97
下一篇
开通oss服务