211service.com
Chi ha bisogno di Copernicus se hai il machine learning?
Le leggi della fisica, tra le più grandi scoperte dell'umanità, sono emerse nel corso di molti secoli in un processo spesso influenzato dai pensatori di spicco dell'epoca. Questo processo ha avuto una profonda influenza sull'evoluzione della scienza e dà l'impressione che alcune leggi non avrebbero potuto essere scoperte senza la conoscenza delle epoche precedenti.
La meccanica quantistica, ad esempio, si basa sulla meccanica classica utilizzando varie idee matematiche che erano importanti all'epoca.
Ma forse c'è un altro modo per scoprire le leggi della fisica che non dipende dalla comprensione che abbiamo già acquisito dell'universo.
Oggi Raban Iten, Tony Metger e colleghi dell'ETH di Zurigo in Svizzera affermano di aver sviluppato proprio un metodo del genere e di averlo utilizzato per scoprire le leggi della fisica in un modo completamente nuovo. E dicono che potrebbe essere possibile usare questo metodo per trovare formulazioni completamente nuove di leggi fisiche.
Innanzitutto, un po' di background. Le leggi della fisica sono semplici rappresentazioni che possono essere interrogate per fornire informazioni su scenari più complessi. Immagina di mettere in moto un pendolo e di chiedere dove sarà la base del pendolo ad un certo punto in futuro. Un modo per rispondere è misurare la posizione del pendolo mentre oscilla. Questi dati possono quindi essere utilizzati come una sorta di tabella di ricerca per trovare la risposta. Ma le leggi del moto forniscono un modo molto più semplice per scoprire la risposta: inserire semplicemente i valori per le varie variabili nell'equazione appropriata. Anche questo dà la risposta corretta. Ecco perché l'equazione può essere pensata come una rappresentazione compressa della realtà.
Questo suggerisce immediatamente come le reti neurali potrebbero trovare queste leggi. Date alcune osservazioni di un esperimento, ad esempio un pendolo oscillante, l'obiettivo è trovare una rappresentazione più semplice di questi dati.
L'idea di Iten, Metger e co è di inserire questi dati nella macchina in modo che impari a fare una previsione accurata della posizione. Una volta che la macchina ha appreso questo, può quindi prevedere la posizione da qualsiasi serie iniziale di condizioni. In altre parole, ha appreso la legge rilevante della fisica.
Per scoprire se funziona, i ricercatori alimentano i dati di un esperimento a pendolo oscillante in una rete neurale che chiamano SciNet. Continuano a ripetere questo per esperimenti che includono la collisione di due sfere, i risultati di una misurazione quantistica su un qubit e persino le posizioni dei pianeti e del sole nel cielo notturno.
I risultati costituiscono una lettura interessante. Utilizzando i dati del pendolo, SciNet è in grado di prevedere la frequenza futura del pendolo con un errore inferiore al 2%.
Inoltre, Iten, Metger e co sono in grado di interrogare SciNet per vedere come arriva alla risposta. Sfortunatamente, questo non rivela l'equazione precisa, ma mostra che la rete utilizza solo due variabili per trovare la soluzione. Questo è esattamente lo stesso numero delle leggi del moto rilevanti.
Ma non è tutto. SciNet fornisce anche previsioni accurate del momento angolare di due palline dopo che si sono scontrate. Ciò è possibile solo utilizzando la conservazione della quantità di moto, una versione di cui SciNet sembra aver scoperto. Predice anche le probabilità di misurazione quando viene interrogato un qubit, utilizzando chiaramente una rappresentazione del mondo quantistico.
Forse la cosa più impressionante è che la rete impara a prevedere la posizione futura di Marte e del Sole usando la posizione iniziale vista dalla Terra. Questo è possibile solo utilizzando un modello eliocentrico del sistema solare, un'idea su cui gli esseri umani hanno impiegato secoli per realizzare.
E in effetti, un'interrogazione di SciNet suggerisce che ha appreso proprio una tale rappresentazione eliocentrica. SciNet memorizza gli angoli della Terra e di Marte visti dal Sole nei due neuroni latenti, ovvero recupera il modello eliocentrico del sistema solare, affermano i ricercatori.
È un lavoro impressionante, ma deve essere messo in prospettiva. Questa potrebbe essere la prima dimostrazione che una rete neurale artificiale può comprimere i dati in un modo che rivela aspetti delle leggi della fisica. Ma non è la prima volta che un approccio computazionale deriva queste leggi.
Alcuni anni fa, gli informatici della Cornell University hanno utilizzato un algoritmo genetico che sfrutta il processo di evoluzione per derivare una serie di leggi della fisica da dati sperimentali. Questi includevano leggi di conservazione per l'energia e la quantità di moto. Il sistema ha persino sputato fuori l'equazione stessa, non solo un suggerimento su come stava calcolando, come fa SciNet.
Chiaramente, gli algoritmi evolutivi hanno il sopravvento nel processo di scoperta delle leggi della fisica utilizzando dati sperimentali grezzi. (Dato che l'evoluzione è il processo che ha prodotto in primo luogo le reti neurali biologiche, è discutibile che sarà per sempre l'approccio più potente.)
C'è un interessante corollario a tutto questo. Ci sono voluti secoli all'umanità per scoprire le leggi della fisica, spesso in modi che sono dipesi in modo cruciale da leggi scoperte in precedenza. Ad esempio, la meccanica quantistica si basa sulla meccanica classica. Potrebbero esserci leggi migliori che possono essere derivate da dati sperimentali senza alcuna conoscenza preliminare della fisica?
In tal caso, questo approccio di apprendimento automatico o quello basato sull'evoluzione dovrebbe essere esattamente ciò di cui hai bisogno per trovarli.
Rif: arxiv.org/abs/1807.10300 : Alla scoperta di concetti fisici con le reti neurali