理論物理学の革命への入り口

ジャカルタ –

後に物理学に結び付けられた新しい理論を思い出すなら、おそらくアルバート・アインシュタインやアイザック・ニュートンを思い出すでしょう。 ノーベル賞も多くの新しく登場した理論に授与されています。

ユーリッヒ教育センターの研究者がプログラムした AI (人工知能) がノーベル賞を受賞しました。 複雑なデータセット内のパターンを認識し、物理理論を定式化する AI の能力。

ユーリッヒ連邦先端シミュレーション研究所 (IAS-6) のモーリッツ ヘリアス氏が、「AI の物理学」とそれが従来のアプローチとどのように異なるのかについて説明します。

物理学者が新しい理論を提案するプロセス

通常、システムの動作を説明しようとする場合、物理学者はシステムのコンポーネントがどのように相互作用するかを検討する前に、システム自体の観察から始めます。 ここから、新しい仮説を作成し、テストすることができます。

有名な例は、地球上の重力を説明するだけでなく、惑星、月、彗星の動きを高い精度で予測するアイザック ニュートンの重力の法則です。 仮説に到達するには、さまざまなアプローチが使用されます。 適切なアプローチを選択し、必要に応じてそれを適応させることは、直面しなければならない課題です。

理論を生成するための AI アプローチ

Sci Tech Daily の報道によると、一般的に使用されるアプローチは「機械学習のための物理学」です。 Forschungszentrum とそのグループのメンバーは、物理学手法を使用して AI の複雑な機能を分析し、理解しています。

Forschungszentrum 研究グループのメンバーである Claudia Merger 氏は、より単純なシステムに採用される複雑な動作を正確にマッピングすることを学習するニューラル ネットワークを使用するという新しいアイデアを開発しました。 別の意味では、AI はシステム コンポーネント間で観察されるすべての複雑な相互作用を簡素化することを目的としています。

次に、これらの物理学者は、簡略化されたシステムを使用し、訓練された AI で逆マッピングを作成しました。 複雑なシステムに戻ると、単純な相互作用から複雑な相互作用を構築することで新しい理論を開発します。

AIの応用

結局のところ、このアプローチは物理学者のアプローチとそれほど変わりませんが、AI パラメーターに基づいて相互作用を記述する方法が異なる点です。 特定の法則に従った構成要素間の相互作用を通じて記述される世界に対するこの視点は、物理学の原理と人工知能に基づく相互作用の理解を組み合わせた AI の物理学の基礎を形成します。

AI は、ニューラル ネットワークを使用する場合、たとえば、手書きの数字を含む白黒画像のデータ セットに適用されます。 博士論文の一環として、クラウディア マージャーは、数字の端などの画像内の小さな下部構造がピクセルとどのように相互作用するかを調査しました。 彼の研究の結果、より明るい傾向のあるピクセルのグループがあり、それが数字のエッジを形成する際に重要な役割を果たしていることがわかりました。

AI を使用すると、考えられる多数のインタラクションでトリックを迅速に計算できます。 このトリックがなければ、このシステムを目にする可能性は非常に低くなります。 多くのコンポーネントを備えたシステムであっても、考えられる相互作用が多数あるため、AI の計算量は依然として高いままです。

しかし、研究チームはこれらの相互作用パラメータを効率的に設定することに成功し、最大 1,000 ピクセルの画像領域に相当する約 1,000 個の相互作用するコンポーネントを含むシステムを解析できるようになりました。 最適化の取り組みを強化することで、将来的にはシステムの使用がさらに拡大する可能性があります。

多くの AI はデータ理論を学習するように訓練されています。 ただし、AI が学習する理論は一般に解釈できません。 対照的に、AI は暗黙的にトレーニングされたパラメーターに隠されています。 この物理学者のアプローチは、研究された理論を抽出し、物理学の基礎となるシステムコンポーネント間の相互作用を定式化します。

したがって、これは、特に「AI 物理学」のコンテキストで説明できる AI の領域の一部であり、物理学の言語は AI の発見を説明するのに役立ちます。 インタラクション言語は、AI 操作の複雑さと人間が理解できる理論との間の接続を形成するために使用されます。

ビデオを見る “Kominfo、ITE法を補完するSE AIソフト規制を呼びかけ」

(いや/いや)