Meglepő módon egy kínai mesterséges intelligencia modell az emberekhez hasonló fizikai törvényeket fedez fel

Kína mesterséges intelligencia-alapú Newton modellje meglepő módon képes nyers adatokból szabályokat levonni, új irányokat nyitva meg a tudományos kutatás számára.

Kísérleti adatokból egy kínai mesterséges intelligencia modell az emberekhez hasonlóan tanulhat fizikát - Illusztráció: hpcwire.com

A Nature szerint egy új kínai mesterséges intelligencia modell, az AI-Newton, képesnek bizonyult fizikai elvek „ felfedezésére ” nyers kísérleti adatokból – beleértve Newton második törvényét a tömeg, az erő és a gyorsulás közötti kapcsolatról.

A Pekingi Egyetem csapata szerint a modell utánozza az emberek tudományos munkásságát: fokozatosan épít fel fogalmak és törvények tárházát az adatokból. A hasznos fogalmak azonosításával az AI-Newton előre programozás nélkül képes tudást szerezni.

Keyon Vafa informatikus (Harvard Egyetem) szerint ez a rendszer „szimbolikus regressziót” (SR) használ – egy olyan módszert, amely a fizikai jelenségek leírására legjobb matematikai egyenletet keresi. Ez a modell a tudományos felfedezések potenciális megközelítésének tekinthető, mivel a modell önállóan képes következtetéseket levonni a fogalmakból.

A Pekingi Egyetem csapata egy szimulátor segítségével 46 kísérletből származó adatot generált szabad mozgás, ütközések, rezgések és ingaszerű rendszerek vizsgálatával, és szándékosan hibákat illestetett be a valós adatok tükrözése érdekében.

Például az AI-Newton modellnek csak egy labda pozícióját adták meg az idő függvényében, és arra kérték, hogy találjon egy egyenletet, amely leírja a két mennyiség közötti kapcsolatot. A modell levezette a sebességegyenletet. Innen, a következő feladatban, továbbra is Newton második törvényét használta a labda tömegének meghatározásához. Ezeket az eredményeket még nem lektorálták.

Korábban is történtek kísérletek arra, hogy a mesterséges intelligenciát megtanítsák a fizikai törvények levezetésére. 2019-ben az ETH Zürich egyik csapata kifejlesztette az „AI Copernicus” nevű neurális hálózatot, amely megfigyelési adatokból következtetett ki a bolygók pályáira, de az embereknek továbbra is értelmezniük kellett az egyenleteket.

Vafa és kollégái az MIT-n olyan alapvető modellekkel is kísérleteztek, mint a GPT, a Claude vagy a Llama: amikor a bolygók helyzetének előrejelzésére képezték ki őket, csak a pályák reprodukálását tanulták meg, de egy értelmetlen „gravitációs törvényre” következtettek, amikor arra kérték őket, hogy származtassák a mozgást szabályozó erőt.

Vafa szerint „egy fizikai kísérlet eredményeinek előrejelzésére betanított nyelvi modell nem fogja ugyanolyan egyszerű, tömör módon kódolni a fogalmakat, mint az emberek, hanem gyakran nem intuitív reprezentációt hoz létre.”

A szakértők szerint a törvények levezetésére képes mesterséges intelligencia hasznos, de ahhoz, hogy valóban független tudományos felfedezéseket tegyenek, több lépésben kell részt venniük: problémameghatározás, kísérletek javaslata, adatok elemzése és hipotézisek tesztelése.

David Powers (Flinders Egyetem) szerint a kísérleti tudomány megköveteli a kulcsfontosságú változók azonosítását és szisztematikus kísérletek elvégzését.

A Pekingi Egyetem fizikusa, Yan-Qing Ma egyetért azzal, hogy az AI-Newton messze van ettől, de hangsúlyozza, hogy a modell utat nyithat a jövőbeli mesterséges intelligencia rendszerek előtt, amelyek valós adatokat használhatnak fel új fizikai törvények felfedezésére.

A csapat most a kvantumelméletekre való alkalmazhatóságát teszteli.

Vissza a témához

VNA

Forrás: https://tuoitre.vn/bat-ngo-mo-hinh-ai-trung-quoc-tu-kham-pha-dinh-luat-vat-ly-nhu-nguoi-20251116121246359.htm