Verrassend genoeg ontdekt Chinees AI-model natuurwetten zoals mensen

Het Chinese AI-Newton-model verrast met zijn vermogen om regels af te leiden uit ruwe data, wat nieuwe mogelijkheden biedt voor wetenschappelijk onderzoek.

Chinees AI-model kan op basis van experimentele gegevens natuurkunde leren, net als mensen - Illustratie: hpcwire.com

Volgens Nature heeft een nieuw Chinees model voor kunstmatige intelligentie, genaamd AI-Newton, aangetoond dat het natuurkundige principes kan ' ontdekken ' uit ruwe experimentele data, waaronder de tweede wet van Newton over de relatie tussen massa, kracht en versnelling.

Het team van de Universiteit van Peking zei dat het model de manier nabootst waarop mensen wetenschap bedrijven: geleidelijk een schat aan concepten en wetten opbouwen uit data. Door bruikbare concepten te identificeren, kan AI-Newton kennis afleiden zonder voorgeprogrammeerd te zijn.

Volgens computerwetenschapper Keyon Vafa (Harvard University) maakt dit systeem gebruik van "symbolische regressie" (SR) – een methode om de beste wiskundige vergelijking te vinden om een ​​natuurkundig fenomeen te beschrijven. Dit wordt beschouwd als een potentiële aanpak voor wetenschappelijke ontdekkingen, omdat het model is ontworpen om zelfstandig concepten af ​​te leiden.

Het team van de Universiteit van Peking gebruikte een simulator om gegevens te genereren uit 46 experimenten over vrije beweging, botsingen, oscillaties en slingerachtige systemen. Ze voegden opzettelijk fouten toe om deze af te stemmen op de gegevens uit de echte wereld.

Zo kreeg AI-Newton alleen de positie van een bal in de tijd en werd hem gevraagd een vergelijking te vinden die de relatie tussen de twee grootheden beschreef. Het model leidde de snelheidsvergelijking af. Van daaruit gebruikte het model in de volgende taak de tweede wet van Newton om de massa van de bal af te leiden. Deze resultaten zijn nog niet door vakgenoten beoordeeld.

Er zijn al eerder pogingen gedaan om AI te leren natuurwetten af ​​te leiden. In 2019 ontwikkelde een team van de ETH Zürich "AI Copernicus", een neuraal netwerk dat planetaire banen afleidde uit observatiegegevens, maar mensen moesten de vergelijkingen nog steeds interpreteren.

Vafa en zijn collega's bij MIT experimenteerden ook met fundamentele modellen zoals GPT, Claude en Llama: toen ze werden getraind om planetaire posities te voorspellen, leerden ze alleen om banen te reproduceren, maar leidden ze een betekenisloze 'wet van de zwaartekracht' af toen ze werden gevraagd om de kracht af te leiden die de beweging bestuurde.

Volgens Vafa zal “een taalmodel dat is getraind om de resultaten van een natuurkundig experiment te voorspellen, concepten niet op dezelfde eenvoudige, beknopte manier coderen als mensen, maar vaak een niet-intuïtieve representatie creëren.”

Volgens deskundigen is het nuttig dat AI wetten kan afleiden, maar om echt onafhankelijke wetenschappelijke ontdekkingen te doen, moeten er meer stappen worden uitgevoerd: het definiëren van een probleem, het voorstellen van experimenten, het analyseren van gegevens en het testen van hypothesen.

Volgens David Powers (Flinders University) vereist experimentele wetenschap het identificeren van sleutelvariabelen en het uitvoeren van systematische experimenten.

Natuurkundige Yan-Qing Ma van de Universiteit van Peking is het ermee eens dat AI-Newton nog ver weg is, maar hij benadrukt dat het model de weg kan vrijmaken voor toekomstige AI-systemen die echte data kunnen gebruiken om zelf nieuwe natuurkundige wetten te ontdekken.

Het team test nu de toepasbaarheid ervan op kwantumtheorieën.

Terug naar het onderwerp

VNA

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