L'IA découvre sa propre physique "fondamentale" et les scientifiques sont déconcertés

La physique est l'une des disciplines les plus rigoureuses et rigides de la science, criblée de longues équations et de mesures complexes qui doivent être faites juste pour révéler leurs secrets. Pourtant, avant même que l'équation la plus simple ne soit assemblée, les scientifiques ont d'abord dû déchiffrer un prédécesseur crucial des équations écrites : les variables d'un système.

Prenons la grande équation fondamentale de la force de Newton : F=MA. Avant qu'une telle équation puisse être composée, Newton devait d'abord comprendre les concepts d'accélération, de masse et de force. C'est une tâche qui n'a pas de voie bien tracée à suivre, a déclaré Hod Lipson, professeur d'ingénierie et de science des données à l'Université de Columbia, à Motherboard.

"C'est un art, il n'y a pas de méthode systématique", dit Lipson. "C'est presque comme, comment découvre-t-on l'alphabet ? Cela se produit simplement de manière organique."

Au Creative Machines Lab de Lipson, lui et ses collègues veulent mieux comprendre comment ce processus de découverte se déroule et comment il peut être amélioré en utilisant l'apprentissage automatique pour découvrir une physique alternative cachée que les scientifiques humains ont peut-être manquée.

Pour ce faire, Lipson et ses collègues ont conçu un algorithme d'apprentissage automatique capable d'étudier des phénomènes physiques en "regardant" des vidéos, comme le balancement d'un double pendule ou le scintillement d'une flamme, et de produire le nombre de variables nécessaires pour expliquer l'action. . Pour les systèmes connus, l'algorithme était capable de prédire le nombre correct de variables dans 1 valeur (par exemple 2,05 variables pour décrire un seul pendule au lieu de 2) et même de faire des prédictions variables pour des systèmes inconnus. Les résultats ont été publiés la semaine dernière dans une étude intitulée "Découverte automatisée de variables fondamentales cachées dans les données expérimentales" dans la revue Nature Computational Science.

Bien que cet algorithme ne soit pas le premier à étudier les données et à essayer d'en extraire une relation physique, Lipson dit que ce travail se démarque car il est le premier à ne fournir à l'algorithme aucune information sur le nombre ou le type de variables anticipées dans un système. Pour cette raison, le système n'est pas limité à rechercher des variables uniquement à travers une lentille humaine, ce qui, selon Lipson, pourrait être crucial pour découvrir la physique cachée dans ces systèmes.

"Ce n'est pas que les gens travaillent jour et nuit pour rechercher ces variables et cela peut accélérer le processus", explique Lipson.

"C'est plus que nous négligeons probablement beaucoup de choses", poursuit-il. "Mais tellement de choses dépendent de ces variables que nous pensions que si nous pouvions y ajouter de la puissance d'IA, nous découvririons peut-être des choses qui sont super utiles et qui changeront notre façon de penser."

Pour préparer leur algorithme au succès, Lipson et ses collègues, y compris le premier auteur de l'article et maintenant professeur adjoint d'ingénierie à l'Université Duke, Boyuan Chen, l'ont alimenté en vidéos de mouvements dynamiques dans une variété de complexités. Cela comprenait des mouvements connus comme les doubles pendules et les balançoires ainsi que des mouvements non encore compris comme les lampes à lave, les feux vacillants ou les danseurs gonflables.

Après avoir étudié ces vidéos, l'IA a tenté de modéliser les phénomènes à quelques pas dans le futur et de créer une liste de variables de plus en plus petites qui étaient responsables de l'action. Enfin, l'IA cracherait le nombre minimum de variables requises par le système pour capturer avec précision le mouvement.

Bien que l'IA ait réussi à découvrir le bon nombre de variables, il y a un gros hic qui l'empêchera d'entrer dans les laboratoires scientifiques de si tôt. Il peut indiquer aux scientifiques qu'il existe un certain nombre de variables dans un système, mais il manque actuellement de langage pour décrire ces variables. Par exemple, il a renvoyé huit variables pour le "danseur d'air" et 24 pour la cheminée. L'explicabilité est un objectif de recherche de longue date pour les systèmes d'IA, qui peuvent être des boîtes noires complexes qui rendent difficile pour les scientifiques l'ingénierie inverse d'une décision spécifique.

C'est quelque chose dont Chen ne s'inquiète pas trop, pour le moment.

"Ce que nous avons en ce moment est comme un cadre général", dit Chen. "Une chose qui sera très intéressante est de collaborer avec des experts qui ont des données et une intuition sur ce que font ces données. Ce que nous voulons faire, c'est les aider à découvrir ce qu'ils ne savent pas encore sur les données."

À l'avenir, cela pourrait ressembler à l'étude de systèmes au-delà de la physique, comme l'évolution des maladies ou le changement climatique, dit Lipson. Plus tard, ils espèrent que les modèles émergeant de l'algorithme aideront à communiquer plus facilement ses découvertes aux collaborateurs humains. Selon Lipson, ce sera la prochaine grande avancée dans la découverte scientifique.

"Les humains font cela depuis 300 ans, et il me semble que nous avons en quelque sorte atteint la fin de ce que nous pouvons faire manuellement", déclare Lipson. "Nous avons besoin de quelque chose pour nous aider à passer au niveau supérieur."

En vous inscrivant, vous acceptez les conditions d'utilisation et la politique de confidentialité et de recevoir des communications électroniques de Vice Media Group, qui peuvent inclure des promotions marketing, des publicités et du contenu sponsorisé.