At undervise i fysik til neurale netværk fjerner kaosblindhed

Forskere fra North Carolina State University har opdaget, at undervisning i fysik til neurale netværk gør det muligt for disse netværk bedre at tilpasse sig kaos i deres miljø. Arbejdet har implikationer for forbedret kunstig intelligens (AI) applikationer lige fra medicinsk diagnostik til automatiseret dronepilotering.

Neurale netværk er en avanceret type AI løst baseret på den måde, vores hjerner fungerer på. Vores naturlige neuroner udveksler elektriske impulser i henhold til styrken af ​​deres forbindelser. Kunstige neurale netværk efterligner denne adfærd ved at justere numeriske vægte og skævheder under træningssessioner for at minimere forskellen mellem deres faktiske og ønskede output. For eksempel, et neuralt netværk kan trænes til at identificere fotos af hunde ved at gennemse et stort antal fotos, lave et gæt om, hvorvidt billedet er af en hund, at se, hvor langt væk det er, og derefter justere dets vægte og skævheder, indtil de er tættere på virkeligheden.

Ulempen ved denne neurale netværkstræning er noget, der kaldes "kaosblindhed" - en manglende evne til at forudsige eller reagere på kaos i et system. Konventionel kunstig intelligens er kaosblind. Men forskere fra NC State's Nonlinear Artificial Intelligence Laboratory (NAIL) har fundet ud af, at inkorporering af en Hamilton-funktion i neurale netværk bedre gør dem i stand til at "se" kaos i et system og tilpasse sig derefter.

Kort fortalt, Hamiltonianeren inkarnerer den komplette information om et dynamisk fysisk system - den samlede mængde af alle de energier, der er til stede, kinetisk og potentiale. Forestil dig et svingende pendul, bevæger sig frem og tilbage i rummet over tid. Se nu et øjebliksbillede af det pendul. Snapshottet kan ikke fortælle dig, hvor det pendul er i sin bue, eller hvor det skal hen. Konventionelle neurale netværk opererer ud fra et øjebliksbillede af pendulet. Neurale netværk, der er bekendt med Hamilton-strømmen, forstår hele pendulets bevægelse - hvor det er, hvor det vil eller kunne være, og energierne involveret i dens bevægelse.

I et proof-of-concept-projekt, NAIL-teamet inkorporerede Hamiltons struktur i neurale netværk, derefter anvendt dem på en kendt model af stjernernes og molekylære dynamik kaldet Hénon-Heiles modellen. Det Hamiltonske neurale netværk forudsagde nøjagtigt systemets dynamik, selvom det bevægede sig mellem orden og kaos.

"Hamiltonianeren er virkelig den 'særlige sauce', der giver neurale netværk evnen til at lære orden og kaos, " siger John Lindner, gæsteforsker ved NAIL, professor i fysik ved The College of Wooster og tilsvarende forfatter til et papir, der beskriver arbejdet. "Med Hamiltonian, det neurale netværk forstår den underliggende dynamik på en måde, som et konventionelt netværk ikke kan. Dette er et første skridt mod fysik-kyndige neurale netværk, der kan hjælpe os med at løse svære problemer."

Værket optræder i Fysisk gennemgang E og er delvist støttet af Office of Naval Research. NC State postdoc-forsker Anshul Choudhary er førsteforfatter. Bill Ditto, professor i fysik ved NC State, er direktør for NAIL. Gæsteforsker Scott Miller; Sudeshna Sinha, fra Indian Institute of Science Education and Research Mohali; og NC State kandidatstuderende Elliott Holliday bidrog også til arbejdet.