211service.com
Ein KI-Physiker kann die Naturgesetze von imaginären Universen ableiten
Sylvar | flickr
Als Student beobachtete Galileo bekanntlich, wie eine Lampe in der Kathedrale von Pisa schwankte, und stimmte ihr Schwingen mit seinem Puls ab. Er kam zu dem Schluss, dass die Periode konstant und unabhängig von ihrer Amplitude war.
Galileo schlug weiter vor, dass ein Pendel eine Uhr steuern könnte, und entwarf später eine solche Maschine, obwohl die erste Uhr dieses Typs etwa 15 Jahre nach Galileos Tod von Huygens gebaut wurde.
Bei dieser Entdeckung bestand Galileis Genialität darin, alle chaotischen Details zu ignorieren, die sonst in der Kathedrale vorhanden waren – Luftwiderstand, Temperatur, flackerndes Licht, Lärm, andere Menschen und so weiter. Er erwog ein einfaches Modell einer schwingenden Lampe, das nur seine Periode verwendet, und konzentrierte sich auf das hervorstechende Detail.
Für viele Historiker stellt Galileos Ansatz das früheste Stadium in der Entwicklung der wissenschaftlichen Methode dar, des gleichen Prozesses, der Flug, Quantentheorie, elektronische Computer, allgemeine Relativitätstheorie und sogar künstliche Intelligenz hervorgebracht hat.
In den letzten Jahren haben KI-Systeme begonnen, selbst interessante Muster in Daten zu finden und daraus sogar bestimmte Gesetze der Physik abzuleiten. Aber in diesen Fällen untersuchte die KI immer einen speziellen Datensatz, der von realen Ablenkungen isoliert worden war. Die Fähigkeiten dieser KI-Systeme sind weit entfernt von den Fähigkeiten von Menschen wie Galileo.
Und das wirft eine interessante Frage auf: Ist es möglich, ein KI-System zu entwerfen, das Theorien entwickelt, wie es Galileo getan hat, und sich auf die Informationen konzentriert, die es benötigt, um verschiedene Aspekte der von ihm beobachteten Welt zu erklären?
Heute bekommen wir dank der Arbeit von Tailin Wu und Max Tegmark am MIT in Cambridge, Massachusetts, eine Antwort. Diese Jungs haben ein KI-System entwickelt, das Galileos Ansatz und einige der anderen Tricks kopiert, die Physiker im Laufe der Jahrhunderte gelernt haben. Ihr System – AI Physicist genannt – ist in der Lage, mehrere Gesetze der Physik in mysteriösen Welten herauszukitzeln, die bewusst konstruiert wurden, um die Komplexität unseres Universums zu simulieren.
Wu und Tegmark identifizieren zunächst eine erhebliche Schwäche moderner KI-Systeme. Wenn sie einen großen Datensatz erhalten, suchen sie normalerweise nach einer einzigen Theorie, die das Ganze regelt. Das wird aber umso schwieriger, je größer und unordentlicher der Datensatz wird.
In der Tat wäre das Innere einer Kathedrale für jedes aktuelle KI-System eine praktisch unmögliche Umgebung, um nach physikalischen Gesetzen zu suchen.
Um dieses Problem zu bewältigen, verwenden Physiker eine Reihe von Denkprozessen, um das Problem zu vereinfachen. Die erste besteht darin, Theorien zu entwickeln, die nur einen kleinen Teil des Datensatzes beschreiben. Das führt zu mehreren Theorien, die alle verschiedene Aspekte der Daten beschreiben – wie zum Beispiel Quantenmechanik und Relativitätstheorie.
Wu und Tegmark haben den AI Physicist entwickelt, um große Datensätze auf die gleiche Weise zu behandeln.
Eine weitere allgemeine Regel, die Physiker verwenden, ist Occams Razor – die Idee, dass einfachere Erklärungen besser sind. Aus diesem Grund lehnen Physiker im Allgemeinen Theorien ab, die eine Antriebsmaschine erfordern, um das Universum, die Erde oder das Leben selbst zu erschaffen: Die angenommene Existenz einer Antriebsmaschine wirft eine zusätzliche Reihe von Fragen zu ihrer Natur und ihrem Ursprung auf.
KI-Systeme sind bekannt dafür, übermäßig komplexe Modelle zu erstellen, um die Daten zu beschreiben, mit denen sie trainiert werden. Also lehren Wu und Tegmark ihr System auch, einfachere Theorien komplexeren vorzuziehen. Sie tun dies mit einem einfachen Maß für die Komplexität, basierend auf der Menge an Informationen, die die Theorie einschließt.
Ein weiterer berühmter Physikertrick besteht darin, nach Wegen zu suchen, um Theorien zu vereinheitlichen. Wenn eine Theorie die Arbeit von zwei erledigen kann, ist sie wahrscheinlich besser. Dies hat die Suche der Physiker nach dem einen Gesetz vorangetrieben, das sie alle beherrscht (obwohl es kaum tatsächliche Beweise dafür gibt, dass eine solche Theorie existiert).
Ein letztes Prinzip, das Physikern zum Erfolg verholfen hat, ist das lebenslange Lernen: die Idee, dass ein bestimmter Ansatz, wenn er in der Vergangenheit funktioniert hat, auch bei zukünftigen Problemen funktionieren könnte. Der KI-Physiker von Wu und Tegmark erinnert sich also an gelernte Lösungen und probiert sie an zukünftigen Problemen aus.
Mit diesen Techniken bewaffnet, prüfen Wu und Tegmark ihren KI-Physiker auf Herz und Nieren. Sie tun dies, indem sie 40 mysteriöse Welten erfinden, die von physikalischen Gesetzen beherrscht werden, die von Ort zu Ort unterschiedlich sind. Ein Ball, der in eine dieser Welten geworfen wird, könnte also zunächst unter der Schwerkraft in einen Bereich fallen, der von einem elektromagnetischen Potential beherrscht wird, dann in einen Bereich, der von einem harmonischen Potential beherrscht wird, und so weiter.
Die Frage, die Wu und Tegmark stellen, ist, ob ihr KI-Physiker die relevanten Gesetze der Physik ableiten kann, indem er einfach die Bewegung des Balls über die Zeit betrachtet. Und sie vergleichen das Verhalten des KI-Physikers mit dem eines neugeborenen Physikers, der den gleichen Ansatz verwendet, aber ohne den Vorteil des lebenslangen Lernens, sowie mit einem herkömmlichen neuronalen Netzwerk.
Es stellt sich heraus, dass sowohl der KI-Physiker als auch der Neugeborenen-Physiker die relevanten Gesetze ableiten können. Beide Agenten sind in der Lage, über 90 % aller 40 mysteriösen Welten zu lösen, sagen sie.
Der Hauptvorteil des KI-Physikers gegenüber dem neugeborenen Agenten besteht darin, dass er mit weniger Daten schneller lernt. Dies ist so ähnlich, als könne ein erfahrener Wissenschaftler neue Probleme viel schneller lösen als ein Anfänger, indem er auf Vorkenntnissen über ähnliche Probleme aufbaut, sagen Wu und Tegmark.
Und ihr System ist deutlich besser als ein herkömmliches neuronales Netz. Unser [KI-Physiker] lernt in der Regel schneller und erzeugt mittlere quadratische Vorhersagefehler, die etwa eine Milliarde Mal kleiner sind als ein herkömmliches neuronales Feedforward-Netz vergleichbarer Komplexität, sagen sie.
Das ist eine beeindruckende Arbeit, die darauf hindeutet, dass KI-Systeme einen erheblichen Einfluss auf die Art und Weise haben könnten, wie die Wissenschaft voranschreitet. Der eigentliche Test besteht natürlich darin, den KI-Physiker auf eine reale Umgebung wie das Innere der Kathedrale von Pisa loszulassen und zu sehen, ob er das Prinzip hinter mechanischen Uhren herleitet.
Oder vielleicht, um es auf andere komplexe Datensätze loszulassen, wie diejenigen, die Ökonomen, Biologen und Klimawissenschaftler regelmäßig verblüffen. Hier gibt es sicherlich niedrig hängende Früchte für ein System, das in der Lage ist, sie zu sammeln.
Und wenn der KI-Physiker erfolgreich ist, können Wissenschaftshistoriker durchaus darauf zurückblicken, dass dies einer der ersten Schritte in eine neue Ära der Evolution für die wissenschaftliche Methode jenseits von Galileo und seinen menschlichen Kollegen ist. Es ist nicht abzusehen, wohin uns das führen wird.
Ref: arxiv.org/abs/1810.10525 : Auf dem Weg zu einem KI-Physiker für unbeaufsichtigtes Lernen