„Fizyka AI”: niemieccy naukowcy szkolą sztuczną inteligencję, aby myślała jak Einstein

Naukowcy z Forschungszentrum Jülich w Niemczech z powodzeniem wyszkolili sztuczną inteligencję (AI), aby myślała jak Albert Einstein czy Izaak Newton. Wykorzystując tę zdobytą wiedzę, model jest zdolny do rozpoznawania wzorców w złożonych zbiorach danych i generowania teorii fizycznych wokół nich.

Nazwiska takie jak Einstein czy Newton zapisały się w historii nauki, ponieważ wprowadzili nowatorskie teorie, które przetrwały próbę czasu. Ich osiągnięcia inspirowały również niezliczone pokolenia naukowców, którzy kontynuowali ich dzieło. Te teorie nie tylko wyjaśniają obserwowane zjawiska, ale także otwierają drzwi do zrozumienia wielu innych fenomenów zachodzących w naszym otoczeniu. Przykładowo, prawa grawitacji Newtona są fundamentalne nie tylko w wyjaśnianiu siły przyciągania na Ziemi, ale także umożliwiają precyzyjne przewidywanie ruchu planet, Księżyca i innych ciał niebieskich w naszym Układzie Słonecznym.

Znani fizycy przedstawili nam nowatorskie teorie wyjaśniające otaczający nas świat. Sztuczna inteligencja może również zrobić to samo, jeśli ją tak poinstruujemy.

Dwa główne podejścia do tworzenia nowych teorii lub hipotez stanowią punkt wyjścia w procesie badawczym. Pierwsze z nich polega na analizie znanych praw w danej dziedzinie i wyprowadzeniu z nich nowych hipotez. Drugie podejście polega na próbie wyjaśnienia zachowania obiektu lub nowego zjawiska za pomocą zupełnie nowej teorii. Wybór odpowiedniego podejścia jest kluczowy i często stanowi wyzwanie w procesie badawczym.

Przed podjęciem próby wyszkolenia sztucznej inteligencji w dziedzinie fizyki, naukowcy postanowili zastosować fizykę do zrozumienia samego działania AI. Claudia Merger, badaczka z instytutu, wykorzystała sieć neuronową do dokładnego odwzorowania złożonego zachowania w prostszym systemie. Sztuczna inteligencja wykonała to zadanie, redukując złożone interakcje między komponentami systemu do bardziej zrozumiałej formy.

Następnie zespół badawczy zastosował uproszczony model do stworzenia odwrotnej mapy za pomocą wyszkolonej sztucznej inteligencji. W miarę jak system przechodził od prostych komponentów do bardziej złożonych, powstawała nowa teoria. To podejście przypominało metodologię stosowaną przez fizyków, z tym że interakcje były analizowane w kontekście parametrów zdefiniowanych przez sztuczną inteligencję. Naukowcy określają to jako "fizykę AI".

W czym zatem tkwi różnica między "fizyką AI" a innymi modelami sztucznej inteligencji? Merger badała, w jaki sposób mniejsze podstruktury w ręcznie pisanych liczbach powstają poprzez interakcje między pikselami, aby pokazać, w jaki sposób model AI potrafi wnioskować. Dzięki wsparciu sztucznej inteligencji naukowcy opracowali teorię sugerującą, że grupy jaśniejszych pikseli miały wpływ na kształt odręcznie napisanej liczby.

Wykorzystanie sztucznej inteligencji jest pomocne, ponieważ pozwala na jednoczesne badanie dużej liczby interakcji. Chociaż zwiększa to wysiłek obliczeniowy, można przyjrzeć się tylko bardzo małym systemom bez angażowania sztucznej inteligencji. 

System ten różni się od innych modeli sztucznej inteligencji wydanych w ubiegłym roku sposobem ich szkolenia i naszym zrozumieniem, jak to działa. Zazwyczaj modele AI uczą się teorii danych wykorzystywanych do ich szkolenia. Ta nauka jest ukryta w parametrach trenowanego systemu. 

Zamiast stosować podejście oparte na fizyce sztucznej inteligencji, naukowcy z powodzeniem wyodrębnili teorię wyuczoną przez komputer i język, którego używa do wyjaśnienia interakcji między komponentami systemu. Można to następnie wykorzystać do zbudowania pomostu między złożonym działaniem sztucznej inteligencji a teoriami zrozumiałymi dla ludzi, powiedział Moritz Helias, główny badacz, w komunikacie prasowym.