AI está descobrindo sua própria física 'fundamental' e os cientistas estão perplexos

A física é uma das disciplinas mais rigorosas - e rígidas - da ciência, repleta de equações longas e medições complexas que devem ser feitas da maneira certa para revelar seus segredos. No entanto, antes mesmo da equação mais simples ser montada, os cientistas primeiro tiveram que decifrar um predecessor crucial para as equações escritas: as variáveis ​​de um sistema.

Tome a grande equação fundamental da força de Newton: F=MA. Antes que tal equação pudesse ser composta, Newton primeiro precisava entender os conceitos de aceleração, massa e força. Esta é uma tarefa que não tem um caminho bem definido a seguir, disse Hod Lipson, professor de engenharia e ciência de dados da Universidade de Columbia, ao Motherboard.

"É uma arte, não existe uma maneira sistemática", diz Lipson. "É quase como, como você descobre o alfabeto? Acontece organicamente."

No Laboratório de Máquinas Criativas de Lipson, ele e seus colegas querem entender melhor como esse processo de descoberta ocorre e como ele pode ser aprimorado usando o aprendizado de máquina para descobrir a física alternativa oculta que os cientistas humanos podem ter perdido.

Para fazer isso, Lipson e seus colegas projetaram um algoritmo de aprendizado de máquina capaz de estudar fenômenos físicos "assistindo" a vídeos, como o balanço de um pêndulo duplo ou o piscar de uma chama, e produzindo o número de variáveis ​​necessárias para explicar a ação. . Para sistemas conhecidos, o algoritmo foi capaz de prever o número correto de variáveis ​​dentro de 1 valor (por exemplo, 2,05 variáveis ​​para descrever um único pêndulo em vez de 2) e até fazer previsões de variáveis ​​para sistemas desconhecidos. As descobertas foram publicadas na semana passada em um estudo intitulado "Descoberta automatizada de variáveis ​​fundamentais ocultas em dados experimentais" na revista Nature Computational Science.

Embora este algoritmo não seja o primeiro a estudar dados e tentar extrair deles uma relação física, Lipson diz que este trabalho se destaca porque é o primeiro a não fornecer ao algoritmo nenhuma informação sobre o número ou tipo de variáveis ​​antecipadas em um sistema. Por causa disso, o sistema não se restringe a procurar variáveis ​​apenas através de uma lente humana, o que Lipson diz que pode ser crucial para descobrir a física oculta dentro desses sistemas.

"Não é que as pessoas estejam trabalhando dia e noite para procurar essas variáveis ​​e isso pode agilizar o processo", explica Lipson.

"É mais provável que estejamos negligenciando muitas coisas", continua ele. “Mas tanto depende dessas variáveis ​​que pensamos que, se pudéssemos usar algum poder de IA nisso, talvez descobriríamos coisas que são super úteis e mudariam a maneira como pensamos”.

Para preparar seu algoritmo para o sucesso, Lipson e colegas, incluindo o primeiro autor do artigo e agora professor assistente de engenharia na Duke University, Boyuan Chen, o alimentaram com vídeos de movimento dinâmico em uma variedade de complexidades. Isso incluía movimentos conhecidos como pêndulos duplos e bastões de balanço, bem como movimentos ainda não compreendidos, como lâmpadas de lava, fogos bruxuleantes ou dançarinos de ar infláveis.

Depois de estudar esses vídeos, a IA tentou modelar o fenômeno alguns passos no futuro e criar uma lista de variáveis ​​cada vez menores responsáveis ​​pela ação. Por fim, a IA cuspiria o número mínimo de variáveis ​​exigidas pelo sistema para capturar o movimento com precisão.

Embora a IA tenha sido bastante bem-sucedida em descobrir o número certo de variáveis, há um grande problema que a impedirá de entrar nos laboratórios de ciências tão cedo. Ele pode dizer aos cientistas que há um certo número de variáveis ​​em um sistema, mas atualmente carece de linguagem para descrever quais são essas variáveis ​​- por exemplo, ele retornou oito variáveis ​​para a "dançarina do ar" e 24 para a lareira. A explicabilidade é um objetivo de pesquisa de longa data para sistemas de IA, que podem ser caixas pretas complexas que dificultam a engenharia reversa de qualquer decisão específica.

Isso é algo com que Chen não está muito preocupado, por enquanto.