天文學家花了幾個世紀才弄明白的規(guī)律，如果從頭交給機器學習算法去領(lǐng)悟，能重現(xiàn)被發(fā)現(xiàn)嗎？

蘇黎世瑞士聯(lián)邦理工學院（ETH）物理學家Renato Renner的團隊就進行了這樣讓AI“重回16世紀”的嘗試。

他們開發(fā)了一種新型的神經(jīng)網(wǎng)絡——受大腦結(jié)構(gòu)啟發(fā)的機器學習系統(tǒng)。然后，這個算法通過檢測太陽和火星相對于地球的運動，竟然能夠得出太陽位于太陽系中心的結(jié)論。

也就是說，讓機器自學哥白尼時代的基礎(chǔ)物理知識和相關(guān)軌道運行信息，它能夠自行得出“太陽中心說”的結(jié)論，甚至還自行推出了哥白尼提出的的火星運動軌跡公式。

這一有趣的結(jié)論被小組成員們稱為“重新發(fā)現(xiàn)了科學史上最重要的轉(zhuǎn)折之一”，堪稱人工智能領(lǐng)域“哥白尼”的誕生。

“哥白尼”神經(jīng)網(wǎng)絡誕生

從前，地球一直被認為是宇宙的中心，天文學家們用行星的小周期運轉(zhuǎn)（本輪）來解釋火星的運動。 直到16世紀，哥白尼發(fā)現(xiàn)，如果假設地球和其他行星都在繞太陽公轉(zhuǎn)，則可以用更簡單的公式來歸納行星運動規(guī)律。

這一發(fā)現(xiàn)堪稱在人類科學史上的“高光時刻”之一，不僅在天文學上，在歷史、宗教領(lǐng)域都帶來了不可超越的重大影響。

據(jù)報道，這一人類花了幾個世紀才弄清楚的行星運轉(zhuǎn)規(guī)律， 也可以被算法短時間模擬。

來自ETH的研究團隊稱，他們的算法可以根據(jù)太陽和火星的運動軌道以及它們相對于地球的位置，推論出太陽位于太陽系的中心位置——這一壯舉是這項技術(shù)的第一個測試。

加拿大多倫多大學物理學家Mario Krenn表示，該研究小組的神經(jīng)網(wǎng)絡得出了哥白尼提出的的火星運動軌跡公式，重新發(fā)現(xiàn)了科學史上最重要的轉(zhuǎn)折之一。下一步，研究人員希望通過得出大數(shù)據(jù)的普遍規(guī)律和模式，用于新的物理定律的發(fā)現(xiàn)，并重新制定量子力學。

傳統(tǒng)的神經(jīng)網(wǎng)絡通過收集和分析龐大的數(shù)據(jù)（如圖像和聲音）來自我訓練。通過大數(shù)據(jù)，神經(jīng)網(wǎng)絡可以總結(jié)出某類型事物特征的規(guī)律，例如，用“四只腿”和“尖耳朵”來識別貓。這些特征在其數(shù)學“節(jié)點”（人造神經(jīng)元）上被編碼。 但是，神經(jīng)網(wǎng)絡無法自動將這些信息提煉成幾個易于解釋的規(guī)則，它是一個黑匣子，以一種無法預測且難以解釋的方式，將其獲得的知識分布在成千上萬個結(jié)點上。

Renner的團隊設計了一種“遲鈍型”的神經(jīng)網(wǎng)絡——由兩個僅通過少數(shù)幾個鏈接相互連接子網(wǎng)絡組成。其中第一個子網(wǎng)絡具備傳統(tǒng)的數(shù)據(jù)學習功能，另一個子網(wǎng)絡則使用學習得到的經(jīng)驗得出新的預測并測試。 由于兩個子網(wǎng)絡間相互連接的鏈路很少，因此第一個網(wǎng)絡以壓縮格式將信息傳遞給另一側(cè)。Renner表示，整個過程有點像老師將知識傳授給學生。

解決更復雜問題的希望，或有可能解決量子力學矛盾

盡管該算法能夠推導出理論公式，但仍需要人親自來解釋這些公式，并得出它們與行星繞太陽運動的關(guān)系，但是，哥倫比亞大學的機器人學家Hod Lipson仍認為這項工作十分重要，因為它能夠得出描述物理系統(tǒng)的關(guān)鍵參數(shù)。 他認為，這些技術(shù)是我們理解并跟上物理學中其他更復雜現(xiàn)象的希望。

Renner的團隊希望開發(fā)機器學習技術(shù)，以幫助物理學家解決目前存在的量子力學矛盾。Renner說：“在某種程度上，當前的量子力學法可能只是歷史的仿制品?！彼J為，通過計算機可以提出不存在矛盾的公式。

為了實現(xiàn)該目標，Renner正在嘗試改良其神經(jīng)網(wǎng)絡，該版本不僅可以從實驗數(shù)據(jù)中學習，還可以提出新的實驗方法來檢驗其假設。

人工智能推演“三體”難題

希望利用神經(jīng)網(wǎng)絡解決物理問題的不止Renner一家。

前陣子，愛丁堡大學的Enter Philip Breen團隊通過訓練神經(jīng)網(wǎng)絡準確的對三體運動進行了預測，且速度比最先進的常規(guī)方法快了近1億倍。

為訓練神經(jīng)網(wǎng)絡，研究者首先將問題進行簡化，假設三個黑洞為平面上的三個等質(zhì)量粒子，各粒子初始速度為0。隨機給定粒子的初始位置，使用最先進的Brutus方法進行求解，并將這一過程重復一萬次。

Breen團隊利用神經(jīng)網(wǎng)絡進行的三體實驗

其中9900個算例作為神經(jīng)網(wǎng)絡的訓練庫，剩余100個用于驗證。最后，用5000個全新算例測試神經(jīng)網(wǎng)絡，并將預測結(jié)果與利用Brutus方法得到的計算結(jié)果進行比對。

結(jié)果十分有趣！神經(jīng)網(wǎng)絡準確地預測了三體運動，并正確模擬出相近軌跡間的散度，與Brutus方法的計算結(jié)果極其相近。Breen團隊表示，“我們已經(jīng)證明深度人工神經(jīng)網(wǎng)絡可以在固定時間內(nèi)快速且準確的解決三體問題這一計算難題?！?/p>

更重要的是，團隊將能量消耗情況引入了神經(jīng)網(wǎng)絡預測能力的測試中。幾次調(diào)整后，神經(jīng)網(wǎng)絡符合節(jié)能條件，且誤差僅僅為10-5。

這一結(jié)果令人驚嘆。且具有極大的潛力。Breen團隊特別指出神經(jīng)網(wǎng)絡甚至能夠解決Brutus方法無法計算的三體問題。

因此他們希望構(gòu)建一個混合系統(tǒng)，使用Brutus方法進行所有繁重的計算，若計算負擔過大，則引入神經(jīng)網(wǎng)絡，直到可運用Brutus方法繼續(xù)計算。

這樣，神經(jīng)網(wǎng)絡應該可以比以往更準確地模擬星系核和球狀星團內(nèi)部的黑體運動。

這僅僅是個開始，Breen團隊表示，“終有一天，我們設想神經(jīng)網(wǎng)絡可以被訓練解決更多混沌問題，例如四體或五體問題，并進一步減輕計算負擔?！?/p>

編輯：jq