Un fisico dell'IA può derivare le leggi naturali degli universi immaginati

silvar | flickr

Da studente, Galileo notoriamente osservò una lampada che oscillava nel Duomo di Pisa e ne cronometrava l'oscillazione contro il suo battito. Ha concluso che il periodo era costante e indipendente dalla sua ampiezza.

Galileo proseguì suggerendo che un pendolo potesse controllare un orologio e in seguito progettò una macchina del genere, sebbene il primo orologio di questo tipo sia stato costruito da Huygens circa 15 anni dopo la morte di Galileo.

Nel fare questa scoperta, il genio di Galileo è stato quello di ignorare tutti i dettagli disordinati che erano altrimenti presenti nella cattedrale: resistenza dell'aria, temperatura, luce tremolante, rumore, altre persone e così via. Ha considerato un semplice modello di lampada oscillante utilizzando solo il suo periodo, concentrandosi sul dettaglio saliente.

Per molti storici, l'approccio di Galileo rappresenta la prima fase dell'evoluzione del metodo scientifico, lo stesso processo che ha prodotto il volo, la teoria quantistica, il calcolo elettronico, la relatività generale e persino l'intelligenza artificiale.

Negli ultimi anni, i sistemi di intelligenza artificiale hanno iniziato a trovare modelli interessanti nei dati stessi e di conseguenza hanno persino derivato alcune leggi della fisica. Ma in questi casi, l'IA ha sempre studiato un set di dati speciale che era stato isolato dalle distrazioni del mondo reale. L'abilità di questi sistemi di intelligenza artificiale è molto lontana dalle capacità di esseri umani come Galileo.

E questo solleva una domanda interessante: è possibile progettare un sistema di intelligenza artificiale che sviluppi teorie come fece Galileo, concentrandosi sulle informazioni di cui ha bisogno per spiegare diversi aspetti del mondo che osserva?

Oggi riceviamo una risposta, grazie al lavoro di Tailin Wu e Max Tegmark al MIT di Cambridge, Massachusetts. Questi ragazzi hanno sviluppato un sistema di intelligenza artificiale che copia l'approccio di Galileo e alcuni degli altri trucchi che i fisici hanno imparato nel corso dei secoli. Il loro sistema, chiamato AI Physicist, è in grado di svelare diverse leggi della fisica in mondi misteriosi costruiti deliberatamente per simulare la complessità del nostro universo.

Wu e Tegmark iniziano identificando una significativa debolezza dei moderni sistemi di intelligenza artificiale. Quando viene fornito un grande set di dati, in genere cercano un'unica teoria che governi l'intera cosa. Ma ciò diventa sempre più difficile quanto più grande e disordinato diventa il set di dati.

In effetti, l'interno di una cattedrale sarebbe un ambiente praticamente impossibile per qualsiasi sistema di intelligenza artificiale attuale da estrarre per le leggi della fisica.

Per far fronte a questo problema, i fisici utilizzano una serie di processi di pensiero per semplificare il problema. Il primo è sviluppare teorie che descrivono solo una piccola parte del set di dati. Ciò produce molteplici teorie che descrivono tutti aspetti diversi dei dati, come la meccanica quantistica e la relatività, per esempio.

Wu e Tegmark hanno sviluppato AI Physicist per trattare i big data set allo stesso modo.

Un'altra regola generale utilizzata dai fisici è il rasoio di Occam: l'idea che le spiegazioni più semplici siano migliori. Ecco perché i fisici generalmente scartano le teorie che richiedono un motore primo per creare l'universo, o la Terra o la vita stessa: la presunta esistenza di un motore primo solleva un'ulteriore serie di domande sulla sua natura e origine.

I sistemi di intelligenza artificiale sono noti per la produzione di modelli eccessivamente complessi per descrivere i dati su cui vengono addestrati. Quindi Wu e Tegmark insegnano anche al loro sistema a preferire teorie più semplici rispetto a quelle più complesse. Lo fanno usando una semplice misura della complessità basata sulla quantità di informazioni che la teoria incapsula.

Un altro trucco dei fisici famosi è cercare modi per unificare le teorie. Se una teoria può fare il lavoro di due, probabilmente è meglio. Ciò ha spinto i fisici alla ricerca dell'unica legge che li governa tutti (sebbene ci siano poche prove concrete dell'esistenza di una tale teoria).

Un ultimo principio che ha aiutato i fisici a cavarsela bene è l'apprendimento permanente: l'idea che se un particolare approccio ha funzionato in passato, potrebbe funzionare su problemi futuri. Quindi il fisico AI di Wu e Tegmark ricorda le soluzioni apprese e le prova su problemi futuri.

Armati di queste tecniche, Wu e Tegmark hanno messo alla prova il loro fisico di intelligenza artificiale. Lo fanno ideando 40 mondi misteriosi governati da leggi della fisica che variano da un luogo all'altro. Quindi una palla lanciata in uno di questi mondi potrebbe inizialmente cadere sotto la forza di gravità in una regione governata da un potenziale elettromagnetico, poi in una regione governata da un potenziale armonico e così via.

La domanda che Wu e Tegmark si pongono è se il loro fisico AI può derivare le leggi della fisica rilevanti semplicemente osservando il movimento della palla nel tempo. E confrontano il comportamento del fisico dell'IA con quello di un fisico neonato che utilizza lo stesso approccio ma senza il beneficio dell'apprendimento permanente, così come con una rete neurale convenzionale.

Si scopre che sia il fisico dell'IA che il fisico neonato possono derivare le leggi pertinenti. Entrambi gli agenti sono in grado di risolvere oltre il 90% di tutti i 40 mondi misteriosi, dicono.

Il vantaggio principale del fisico AI rispetto all'agente Newborn è che apprende più rapidamente utilizzando meno dati. È proprio come uno scienziato esperto può risolvere nuovi problemi molto più velocemente di un principiante basandosi su conoscenze pregresse su problemi simili, affermano Wu e Tegmark.

E il loro sistema è significativamente migliore di una rete neurale convenzionale. Il nostro [fisico AI] in genere apprende più velocemente e produce errori di previsione quadratica media circa un miliardo di volte più piccoli di una rete neurale feedforward standard di complessità comparabile, dicono.

È un lavoro impressionante che suggerisce che i sistemi di intelligenza artificiale potrebbero avere un impatto significativo sul modo in cui procede la scienza. Naturalmente, il vero test sarà quello di lasciare che il fisico dell'IA si scateni in un ambiente reale, come l'interno del Duomo di Pisa, e vedere se deriva il principio alla base degli orologi meccanici.

O forse per liberarsi di altri set di dati complessi, come quelli che regolarmente sconcertano economisti, biologi e scienziati del clima. C'è sicuramente un frutto basso qui per un sistema in grado di raccoglierlo.

E se il fisico dell'IA avrà successo, gli storici della scienza potrebbero ben guardarlo indietro come uno dei primi passi in una nuova era di evoluzione per il metodo scientifico al di là di Galileo e dei suoi colleghi umani. Non si può dire dove potrebbe portarci.

Rif: arxiv.org/abs/1810.10525 : Verso un fisico AI per l'apprendimento non supervisionato

nascondere