尽管AI系统已取得长足进步,但它们仍然无法应对混沌或不可预测性。现在,研究人员想教授AI物理学以解决此类问题。

更具体地说,教AI哈密顿函数——这一数学概念能提供有关整个动态系统的信息:动力学关系,动能和势能等。

神经网络旨在将人脑的粗略模拟升级为复杂的、经过加权的AI算法,然后对正在发生的事情有“更深刻的了解”,为AI解决越来越难的问题提供可能性。

北卡罗来纳州立大学的物理学家约翰·林德纳说:“哈密顿量确实是一种特殊的调味料,它使神经网络能够学习秩序和混乱。有了哈密顿算子,神经网络以一种传统网络无法理解的方式来理解潜在的动力学。这是迈向物理学的神经网络的第一步,可以帮助我们解决难题。”

研究人员用汉密尔顿函数教导AI分析弹性振子——前者向AI提供有关摆动速度及路径的信息,而不仅仅是向AI显示某个时刻振子的位置。

新研究发现,如果神经网络能够理解哈密顿流,那么它们就能更好地认知混沌。

不仅如此,物理学还可以提高它们的效率:无需大量额外的神经节点,就能够更好地预测动态的,本不可预测的对象。它有助于AI快速更全面地了解世界的实际运行方式。

为了测试新改进的AI神经网络,研究人员将其与通常被称为Hénon-Heiles的基准模型进行了比较,该模型最初用于模拟行星在太阳周围的运动。

哈密顿神经网络成功通过了测试,正确预测了系统在有序和混沌状态下的动力学发展。

改进后的AI可用于领域从医学诊断到飞机自动驾驶。相对而言,该技术才刚刚起步,还有巨大的提升空间。

研究人员写道:“如果混沌是非线性的'超级力量',从而使确定性动力学几乎无法应用,那么哈密顿量就是神经网络的'秘密调料',它是一种特殊的成分,可以使AI学习和预测有序和混沌现象。”

该研究发表在《物理评论E》上。

本文译自 sciencealert,由 majer 编辑发布。

[ 广告 ]
赞一个 (6)

PREV :
NEXT :