Ny maskinlæringsteori rejser spørgsmål om videnskabens natur

En ny computeralgoritme, eller regelsæt, der præcist forudsiger baner på planeter i solsystemet kunne tilpasses til bedre at forudsige og kontrollere opførslen af ​​plasmaet, der brænder fusionsanlæg, der er designet til at høste fusionsenergien på jorden, der driver solen og stjernerne.

Algoritmen, udtænkt af en videnskabsmand ved US Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL), anvender maskinlæring, form for kunstig intelligens (AI), der lærer af erfaring, at udvikle forudsigelserne. "Normalt inden for fysik, du gør observationer, skabe en teori baseret på disse observationer, og brug derefter den teori til at forudsige nye observationer, "sagde PPPL -fysikeren Hong Qin, forfatter til et papir med detaljer om konceptet i Videnskabelige rapporter . "Det, jeg gør, er at erstatte denne proces med en type sort boks, der kan producere præcise forudsigelser uden at bruge en traditionel teori eller lov."

Qin (udtales til Chin) skabte et computerprogram, hvori han indførte data fra tidligere observationer af Merkurbaner, Venus, Jorden, Mars, Jupiter, og dværgplaneten Ceres. Dette program, sammen med et ekstra program kendt som en 'serveringsalgoritme, 'lavede derefter nøjagtige forudsigelser af banerne på andre planeter i solsystemet uden at bruge Newtons love om bevægelse og tyngdekraft. "Grundlæggende, Jeg omgåede alle de grundlæggende ingredienser i fysik. Jeg går direkte fra data til data, "Sagde Qin." Der er ingen fysiklov i midten. "

Programmet sker ikke ved nøjagtige forudsigelser ved et uheld. "Hong lærte programmet det underliggende princip, som naturen brugte til at bestemme dynamikken i ethvert fysisk system, "sagde Joshua Burby, en fysiker ved DOE's Los Alamos National Laboratory, der fik sin ph.d. i Princeton under Qins mentorskab. "Udbyttet er, at netværket lærer lovene om planetarisk bevægelse efter at have været vidne til meget få træningseksempler. Med andre ord, hans kode 'lærer' virkelig fysikkens love. "

Maskinlæring er det, der gør computerprogrammer som Google Translate mulig. Google Translate gennemgår en enorm mængde information for at bestemme, hvor ofte et ord på et sprog er blevet oversat til et ord på det andet sprog. På denne måde, programmet kan lave en præcis oversættelse uden egentlig at lære noget af sproget.

Processen vises også i filosofiske tankeeksperimenter som John Searles kinesiske værelse. I det scenario, en person, der ikke kunne kinesisk, ikke desto mindre kunne 'oversætte' en kinesisk sætning til engelsk eller et andet sprog ved hjælp af et sæt instruktioner, eller regler, der ville erstatte forståelse. Tankeeksperimentet rejser spørgsmål om hvad, ved roden, det betyder overhovedet at forstå noget, og om forståelse indebærer, at der sker noget andet i sindet udover at følge regler.

Qin blev delvist inspireret af Oxford -filosofen Nick Bostroms filosofiske tankeeksperiment om, at universet er en computersimulering. Hvis det var sandt, så skulle grundlæggende fysiske love afsløre, at universet består af individuelle bidder af rumtid, som pixels i et videospil. "Hvis vi lever i en simulering, vores verden skal være diskret, "Sagde Qin. Den sorte boksteknik, Qin udtænkte, kræver ikke, at fysikere tror på simuleringens formodninger bogstaveligt talt, selvom den bygger på denne idé til at oprette et program, der laver nøjagtige fysiske forudsigelser.

Det resulterende pixelerede syn på verden, ligner det, der skildres i filmen The Matrix, er kendt som en diskret feltteori, der betragter universet som sammensat af individuelle bits og adskiller sig fra de teorier, som mennesker normalt skaber. Mens forskere typisk udtænker overordnede begreber om, hvordan den fysiske verden opfører sig, computere samler bare en samling datapunkter.

Qin og Eric Palmerduca, en kandidatstuderende ved Princeton University -programmet i plasmafysik, udvikler nu måder at bruge diskrete feltteorier til at forudsige opførsel af plasmapartikler i fusionsforsøg udført af forskere rundt om i verden. De mest udbredte fusionsfaciliteter er donutformede tokamakker, der begrænser plasmaet i kraftige magnetfelter.

Fusion, den kraft, der driver solen og stjernerne, kombinerer lette elementer i form af plasma - det varme, ladet stofstilstand sammensat af frie elektroner og atomkerner, der repræsenterer 99% af det synlige univers - for at generere enorme mængder energi. Forskere søger at kopiere fusion på Jorden for en praktisk talt uudtømmelig strømforsyning til elektricitet.

"I en magnetisk fusionsenhed, dynamikken i plasmaer er kompleks og flerskala, og de effektive styrende love eller beregningsmodeller for en bestemt fysisk proces, som vi er interesseret i, er ikke altid klare, "Sagde Qin." I disse scenarier, vi kan anvende den maskinlæringsteknik, som jeg udviklede til at skabe en diskret feltteori og derefter anvende denne diskrete feltteori til at forstå og forudsige nye eksperimentelle observationer. "

Denne proces åbner spørgsmål om selve videnskabens natur. Vil forskere ikke udvikle fysikteorier, der forklarer verden, i stedet for blot at samle data? Er teorier ikke grundlæggende for fysik og nødvendige for at forklare og forstå fænomener?

"Jeg vil hævde, at enhver videnskabsmands ultimative mål er forudsigelse, "Sagde Qin." Du behøver muligvis ikke nødvendigvis en lov. For eksempel, hvis jeg perfekt kan forudsige en planetarisk bane, Jeg behøver ikke at kende Newtons love om tyngdekraft og bevægelse. Du kan argumentere for, at du ved at gøre det ville forstå mindre, end hvis du kendte Newtons love. I en vis forstand, det er korrekt. Men fra et praktisk synspunkt, at lave præcise forudsigelser er ikke at gøre noget mindre. "

Maskinlæring kan også åbne muligheder for mere forskning. "Det udvider betydeligt omfanget af problemer, som du kan løse, fordi alt hvad du behøver for at komme i gang er data, "Sagde Palmerduca.

Teknikken kan også føre til udviklingen af ​​en traditionel fysisk teori. "Selvom denne metode på en eller anden måde forhindrer behovet for en sådan teori, det kan også ses som en vej mod en, "Sagde Palmerduca." Når du prøver at udlede en teori, du gerne vil have så mange data til rådighed som muligt. Hvis du får nogle data, du kan bruge maskinlæring til at udfylde huller i disse data eller på anden måde udvide datasættet. "