Группа исследователей из Университета Дьюка разработала новую систему искусственного интеллекта (ИИ), которая может выявлять простые и понятные правила, управляющие наиболее сложными процессами в природе и технике.
Как работает ИИ
Система ИИ работает аналогично тому, как великие «динамисты» прошлого — учёные, изучающие системы, изменяющиеся со временем — открывали законы физики, управляющие поведением таких систем. Подобно тому как Ньютон вывел уравнения, связывающие силу и движение, ИИ анализирует данные о том, как сложные системы развиваются с течением времени, и генерирует уравнения, точно описывающие их поведение.
Однако ИИ может пойти ещё дальше, чем человеческий разум, распутывая сложные нелинейные системы с сотнями, если не тысячами, переменных, в более простые правила с меньшим количеством параметров.
Результаты исследования
Работа, опубликованная в журнале npj Complexity, предлагает учёным новый способ использования ИИ для понимания сложных систем, которые меняются со временем, таких как погода, электрические цепи, механические системы и даже биологические сигналы.
«Научное открытие всегда зависело от поиска упрощённых представлений сложных процессов», — сказал Боюань Чен, директор Лаборатории общей робототехники и доцент кафедры машиностроения и материаловедения в Университете Дьюка. «У нас всё больше и больше данных, необходимых для понимания сложных систем, но нет инструментов для превращения этой информации в упрощённые правила, на которые полагаются учёные. Преодоление этого разрыва имеет важное значение».
Пример
Траектория пушечного ядра зависит от многих переменных, таких как начальная скорость и угол вылета, сопротивление воздуха, изменение скорости ветра и даже температуры окружающей среды. Однако очень близкое приближение можно найти с помощью простого линейного уравнения, использующего только первые две переменные.
Это пример теоретической идеи, первоначально предложенной математиком Бернардом Купманом в 1930-х годах: сложные нелинейные системы могут быть представлены математически линейными моделями. Новый подход ИИ основан на этой концепции.
Однако есть нюанс. Чтобы найти линейные модели для чрезвычайно сложных систем, необходимо разработать сотни, если не тысячи, уравнений, включающих столько же переменных. Человеческий разум не очень хорошо справляется с такими большими числами. Вот где ИИ может быть полезен.
Новый фреймворк
Новый фреймворк анализирует данные временных рядов из экспериментов, выявляет информативные закономерности в развитии системы и использует глубокое обучение вместе с вдохновлёнными физикой ограничениями, чтобы выделить гораздо меньший набор переменных, который всё ещё отражает существенное поведение системы. В результате получается компактное описание системы, которая ведёт себя математически как линейная, но всё ещё отражает сложность реальности.
Команда применила свой фреймворк к широкому спектру систем, от знакомых движений маятника до нелинейных ритмов электрических цепей, к моделям, используемым в климатологии и нейронных схемах. Несмотря на различия, каждая система выявила небольшой набор скрытых переменных, управляющих её поведением. Во многих случаях эти упрощённые модели были более чем в 10 раз меньше, чем требовалось предыдущим подходам машинного обучения, при этом всё ещё обеспечивая надёжные долгосрочные прогнозы.
«Что выделяется, так это не только точность, но и интерпретируемость», — сказал Чен. «Когда линейная модель компактна, процесс научного открытия может быть естественным образом связан с существующими теориями и методами, которые учёные-люди разработали на протяжении тысячелетий. Это похоже на соединение учёных-ИИ с учёными-людьми».
Помимо прогнозирования, фреймворк может определять стабильные состояния, известные как аттракторы, где система стремится установиться с течением времени. Эти состояния имеют решающее значение для понимания того, ведёт ли система себя нормально, дрейфует или движется к нестабильности.
«Для динамиста нахождение этих структур подобно поиску ориентиров на новом ландшафте», — сказал Сэм Мур, ведущий автор и кандидат наук в Лаборатории общей робототехники Чена. «Как только вы узнаете, где находятся стабильные точки, всё остальное в системе начинает обретать смысл».
Исследователи подчёркивают, что метод особенно полезен, когда традиционные уравнения отсутствуют, неполны или слишком сложны для вывода.
«Это не замена физике, — продолжил Мур. — Это расширение нашей способности рассуждать, используя данные, когда физика неизвестна, скрыта или слишком громоздка для записи».
Будущие перспективы
Команда изучает, как фреймворк может направлять планирование экспериментов — активно выбирая, какие данные собирать, чтобы более эффективно выявить структуру системы. Они также рассматривают возможность применения подхода к более богатым формам данных, таким как видео, аудио или сигналы, полученные из сложных биологических систем.
Это исследование является частью долгосрочной миссии Лаборатории общей робототехники Чена, где команда стремится разработать «учёных-машин» для помощи в автоматических научных открытиях.
Соединяя современный ИИ с математическим языком динамических систем, работа указывает на будущее, в котором ИИ не просто распознаёт закономерности, но и помогает раскрывать фундаментальные правила, управляющие физическим и живым миром.
Предоставлено Университетом Дьюка