Un nou cadru AI poate descoperi ecuații de fizică spațială din date brute
Un grup de cercetători din cadrul Universităților Tsinghua și Peking, alături de alte institute din China, a dezvoltat un nou cadru de inteligență artificială (AI) cunoscut sub numele de PhyE2E, capabil să extragă ecuații simbolice din date brute specifice fizicii spațiale. Această inovație este detaliată într-un articol publicat în revista Nature Machine Intelligence, având ca obiectiv principal automatizarea procesului de descoperire a relațiilor fizice din date prin generarea de formule matematice comprimate și consistente din punctul de vedere al unităților.
Până acum, fizicienii au fost nevoiți să analizeze extensiv datele brute pentru a identifica aceste formule, ceea ce poate fi un proces laborios și timp-consuming. Cu toate acestea, PhyE2E își propune să schimbe acest lucru. „Scopul nostru a fost să împingem AI-ul dincolo de simpla adaptare a curbelor către descoperiri pe care oamenii le pot înțelege: returnând ecuații compacte, consistente unități, pe care oamenii de știință le pot citi, testa și construi pe baza acestora,” explică Yuan Zhou, co-autori al lucrării.
Cadrul PhyE2E a fost antrenat pe date fizice și ecuații matematice, învățând să recunoască ce formule legate de fizică sunt plauzibile. Folosind un model bazat pe transformatoare, acesta poate traduce direct datele în expresii simbolice și unitățile lor. În cadrul procesului de antrenare, PhyE2E aplică o tehnică de împărțire-a-și-contra, examinând derivatele de ordinul doi pentru a descompune o problemă complexă în sub-formule mai simple, îmbinând astfel teoria cu datele experimentale.
Unul dintre cele mai impresionante aspecte ale acestui model este capacitatea sa de a genera formule care, în anumite cazuri, depășesc precisióna și relevanța ecuațiilor create de cercetători umani. De exemplu, în analiza datelor publicate de NASA în 1993, PhyE2E a reușit să formuleze o ecuație îmbunătățită pentru ciclurile solare. De asemenea, a reușit să surprindă relațiile dintre radiația solară, temperatura și câmpurile magnetice, demonstrând o capacitate excepțională de a extrage informații utile din date complexe și diverse.
Potentialul PhyE2E nu se limitează doar la fizica spațială. Conducătorii acestei cercetări anticipează extinderea acestui cadru pentru a analiza date experimentale din alte domenii, având posibilitatea de a contribui la descoperiri științifice semnificative. „Ne concentrăm acum pe extinderea cadrului pentru a include operatori conștienți de calcul, cum ar fi derivatelor și integralele pentru legi de tip PDE, întărind astfel robustețea față de datele de laborator mai zgomotoase,” adaugă Zhou.
Cercetarea își propune să promoveze metodologia neuro-simbolică, asigurând că predicțiile generate de rețelele neuronale adânci sunt interpretabile. Prin integrarea explicabilității ca principiu de design, se speră că sistemele AI vor putea descoperi legi științifice mai precise și mai fiabile.
