Överraskande nog upptäcker den kinesiska AI-modellen fysiska lagar som människor

Kinas AI-Newton-modell överraskar med sin förmåga att dra regler från rådata, vilket öppnar upp nya riktningar för vetenskaplig forskning.

Enligt experimentella data kan den kinesiska AI-modellen lära sig fysik som människor - Illustration: hpcwire.com

Enligt Nature har en ny kinesisk modell för artificiell intelligens, kallad AI-Newton, visat förmågan att " upptäcka " fysikaliska principer från råa experimentella data – inklusive Newtons andra lag om förhållandet mellan massa, kraft och acceleration.

Teamet vid Pekings universitet sa att modellen härmar hur människor bedriver vetenskap : de gradvis bygger upp en samling koncept och lagar från data. Genom att identifiera användbara koncept kan AI-Newton härleda kunskap utan att vara förprogrammerad.

Enligt datavetaren Keyon Vafa (Harvard University) använder detta system "symbolisk regression" (SR) – en metod för att hitta den bästa matematiska ekvationen för att beskriva ett fysikaliskt fenomen. Detta anses vara en potentiell metod för vetenskapliga upptäckter eftersom modellen är utformad för att på egen hand härleda begrepp.

Teamet vid Pekings universitet använde en simulator för att generera data från 46 experiment om fri rörelse, kollisioner, svängningar och pendelliknande system, och infogade avsiktligt fel för att återspegla verkliga data.

Till exempel fick AI-Newton endast en bolls position över tid och ombads att hitta en ekvation som beskriver förhållandet mellan de två kvantiteterna. Modellen härledde hastighetsekvationen. Därifrån fortsatte den i nästa uppgift att använda Newtons andra lag för att härleda bollens massa. Dessa resultat är ännu inte granskade av experter.

Försök att lära AI att härleda fysikaliska lagar har gjorts tidigare. År 2019 utvecklade ett team vid ETH Zürich "AI Copernicus", ett neuralt nätverk som härledde planetbanor från observationsdata, men människor var fortfarande tvungna att tolka ekvationerna.

Vafa och hans kollegor vid MIT experimenterade också med grundläggande modeller som GPT, Claude eller Llama: när de tränades att förutsäga planeternas positioner lärde de sig bara att reproducera banor, men härledde en meningslös "tyngdlag" när de ombads att härleda kraften som styr rörelsen.

Enligt Vafa ”kommer en språkmodell som tränats för att förutsäga resultaten av ett fysikexperiment inte att koda begrepp på samma enkla, koncisa sätt som människor, utan kommer ofta att skapa en icke-intuitiv representation.”

Experter säger att AI som kan härleda lagar är användbart, men för att verkligen göra oberoende vetenskapliga upptäckter behöver de genomföra fler steg: definiera ett problem, föreslå experiment, analysera data och testa hypoteser.

Enligt David Powers (Flinders University) kräver experimentell vetenskap att man identifierar nyckelvariabler och genomför systematiska experiment.

Fysikern Yan-Qing Ma vid Pekings universitet håller med om att AI-Newton är långt ifrån det, men betonar att modellen skulle kunna bana väg för framtida AI-system som kan använda verkliga data för att upptäcka nya fysikaliska lagar på egen hand.

Teamet testar nu dess tillämpbarhet på kvantteorier.

Tillbaka till ämnet

VNA

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