Kunstmatige intelligentie ontdekt alternatieve fysica

nieuwe[{” attribute=””>Columbia University AI program observed physical phenomena and uncovered relevant variables—a necessary precursor to any physics theory. But the variables it discovered were unexpected.

Energy, Mass, Velocity. These three variables make up Einstein’s iconic equation E=MC². But how did Albert Einstein know about these concepts in the first place? Before understanding physics you need to identify relevant variables. Not even Einstein could discover relativity without the concepts of energy, mass, and velocity. But can variables like these be discovered automatically? Doing so would greatly accelerate scientific discovery.

This is the question that Columbia Engineering researchers posed to a new artificial intelligence program. The AI program was designed to observe physical phenomena through a video camera and then try to search for the minimal set of fundamental variables that fully describe the observed dynamics. The study was published in the journal Nature Computational Science on July 25.

De afbeelding toont een chaotisch dynamisch systeem dat in beweging is. Ons werk is gericht op het identificeren en extraheren van de minimale toestandsvariabelen die nodig zijn om een ​​dergelijk systeem te beschrijven, rechtstreeks uit hoogdimensionale videobeelden. Krediet: Yinuo Qin / Columbia Engineering

Wetenschappers begonnen het systeem onbewerkte videobeelden te geven van fysieke verschijnselen waarvan ze de oplossing al wisten. Ze voerden bijvoorbeeld een videoband van een slingerende dubbele slinger waarvan bekend is dat deze precies vier “toestandsvariabelen” heeft – de hoek en de hoeksnelheid van elk van de armen. Na enkele uren analyse kwam de AI met zijn antwoord: 4.7.

“We dachten dat dit antwoord dichtbij genoeg was”, zegt Hood Lipson, directeur van het Creative Machines Laboratory van de afdeling Werktuigbouwkunde, waar het werk voornamelijk werd gedaan. “Vooral omdat alle AI toegang had tot onbewerkte videobeelden, zonder enige kennis van natuurkunde of techniek. Maar we wilden weten wat de variabelen eigenlijk waren, niet alleen hoeveel.”

Vervolgens gingen de onderzoekers op zoek naar de werkelijke variabelen die het programma had geïdentificeerd. Het was moeilijk om de variabelen zelf te extraheren omdat het programma ze niet op een intuïtieve manier kon beschrijven die door mensen zou kunnen worden begrepen. Na enig onderzoek blijkt dat twee van de door het programma gekozen variabelen losjes overeenkomen met de hoeken van de armen, maar de andere twee variabelen blijven een mysterie.

“We hebben geprobeerd de andere variabelen te relateren aan alles wat we maar konden bedenken: hoek- en lineaire snelheden, kinetische en potentiële energie, verschillende combinaties van bekende grootheden”, legt Boyuan Chen PhD ’22 uit, nu een assistent-professor aan de Duke University. “Maar niets lijkt precies hetzelfde.” Het team was ervan overtuigd dat de AI een geldige set van vier variabelen had gevonden, omdat het goede voorspellingen deed, “maar we begrepen de wiskundige taal die het sprak nog niet”, legde hij uit.

Boyuan Chen legt uit hoe een nieuw programma voor kunstmatige intelligentie fysieke verschijnselen heeft waargenomen en gerelateerde variabelen heeft onthuld – een noodzakelijke voorloper van elke fysieke theorie. Krediet: Boyuan Chen / Columbia Engineering

Na het valideren van een aantal andere fysieke systemen met bekende oplossingen, voegden de wetenschappers video’s toe van systemen waarop ze het expliciete antwoord niet wisten. Een van deze video’s toonde een “luchtdanser” die zwaaide voor een plaatselijke garage voor tweedehands auto’s. Na enkele uren analyse gaf het programma 8 variabelen terug. Evenzo produceerde een video van de Lava 8-lamp acht varianten. Toen ze een video presenteerden van vlammen uit een aflevering van een vakantiehaard, bracht het programma 24 variabelen terug.

Een bijzonder interessante vraag was of de set variabelen uniek was voor elk systeem, of dat er elke keer dat het programma opnieuw werd gestart een andere set werd geproduceerd. “Ik heb me altijd afgevraagd of we ooit een intelligent buitenaards ras zouden ontmoeten, zouden ze dezelfde natuurwetten ontdekken als wij, of zouden ze het universum anders beschrijven?” zei Lipson. “Misschien lijken sommige fenomenen vaag complex omdat we ze proberen te begrijpen met behulp van de verkeerde reeks variabelen.”

In de experimenten was het aantal variabelen elke keer hetzelfde als de AI opnieuw werd opgestart, maar de specifieke variabelen waren elke keer anders. Dus ja, er zijn inderdaad alternatieve manieren om het universum te beschrijven en het is zeer waarschijnlijk dat onze keuzes niet perfect zijn.

Volgens de onderzoekers kan dit type AI wetenschappers helpen bij het blootleggen van complexe fenomenen waarvan het theoretische begrip niet overeenkomt met de enorme hoeveelheid gegevens – velden variërend van biologie tot kosmologie. “Hoewel we in dit werk videogegevens hebben gebruikt, kan elk type array-gegevensbron worden gebruikt – radararrays of[{” attribute=””>DNA arrays, for example,” explained Kuang Huang PhD ’22, who coauthored the paper.

The work is part of Lipson and Fu Foundation Professor of Mathematics Qiang Du’s decades-long interest in creating algorithms that can distill data into scientific laws. Past software systems, such as Lipson and Michael Schmidt’s Eureqa software, could distill freeform physical laws from experimental data, but only if the variables were identified in advance. But what if the variables are yet unknown?

Hod Lipson legt uit hoe het AI-programma nieuwe fysieke variabelen kon ontdekken. Krediet: Hod Lipson/Columbia Engineering

Lipson, die ook de James en Sally Scapa Professor of Innovation is, stelt dat wetenschappers veel fenomenen verkeerd kunnen interpreteren of niet begrijpen, simpelweg omdat ze geen goede set variabelen hebben om het fenomeen te beschrijven. Lipson merkte op: “Duizenden jaren lang wisten mensen dat objecten snel of langzaam bewegen, maar pas toen het concept van snelheid en versnelling formeel werd gedefinieerd, ontdekte Newton zijn beroemde bewegingswet F = MA.” De variabelen die temperatuur en druk beschrijven, moeten worden geïdentificeerd voordat de wetten van de thermodynamica kunnen worden geformuleerd, en dus in elke hoek van de wetenschappelijke wereld. Variabelen zijn een voorloper van elke theorie. “Welke andere wetten missen we simpelweg omdat we de variabelen niet hebben?” vroeg Doe, die het werk leidde.

Het artikel was ook co-auteur van Sunand Raghupathi en Ishaan Chandratreya, die hielpen bij het verzamelen van gegevens voor de proeven. Sinds 1 juli 2022 is Boyuan Chen een assistent-professor aan de Duke University. Werk is onderdeel van een joint[{” attribute=””>University of Washington, Columbia, and Harvard NSF AI institute for dynamical systems, aimed to accelerate scientific discovery using AI.

Reference: “Automated discovery of fundamental variables hidden in experimental data” by Boyuan Chen, Kuang Huang, Sunand Raghupathi, Ishaan Chandratreya, Qiang Du and Hod Lipson, 25 July 2022, Nature Computational Science.
DOI: 10.1038/s43588-022-00281-6