Исследователи из Университета Дьюка разработали революционную систему искусственного интеллекта, способную выявлять простые и понятные математические закономерности, скрытые за сложнейшими явлениями природы и современными технологиями. Этот подход преобразует колоссальные объемы данных в ясные модели, которые ученые могут легко интерпретировать и использовать.
Система вдохновлена работами величайших «динамистов» в истории науки – ученых, изучающих системы, изменяющиеся во времени. Подобно тому как Исаак Ньютон, часто называемый первым динамистом, разработал уравнения, связывающие силу и движение, этот ИИ анализирует данные о том, как развиваются сложные системы, а затем генерирует уравнения, точно описывающие их поведение.
Уникальность данного подхода заключается в его способности справляться со сложностью, недоступной человеческому разуму. ИИ может брать нелинейные системы, включающие сотни или даже тысячи взаимодействующих переменных, и сводить их к более простым правилам с гораздо меньшим количеством измерений.
Исследование, опубликованное 17 декабря онлайн в журнале npj Complexity, представляет собой мощный новый способ использования ИИ для изучения эволюционирующих систем – от погодных паттернов и электрических цепей до механических устройств и биологических сигналов.
«Научные открытия всегда зависели от нахождения упрощенных представлений сложных процессов», – отметил Боюань Чен, директор Лаборатории общей робототехники и доцент кафедры машиностроения и материаловедения в Дьюке. – «У нас все чаще появляются исходные данные, необходимые для понимания сложных систем, но нет инструментов для преобразования этой информации в те упрощенные правила, на которые полагаются ученые. Преодоление этого разрыва крайне важно».
Классический пример упрощения можно найти в физике. Траектория пушечного ядра зависит от множества факторов, включая начальную скорость и угол, сопротивление воздуха, меняющиеся условия ветра и даже температуру окружающей среды. Несмотря на эту сложность, достаточно точное приближение его движения может быть описано простым линейным уравнением, использующим только начальную скорость и угол.
Этот вид упрощения отражает теоретическую концепцию, введенную математиком Бернардом Купманом в 1930-х годах. Купман показал, что сложные нелинейные системы могут быть представлены математически с помощью линейных моделей. Новая ИИ-структура напрямую основывается на этой идее.
Однако здесь есть существенная проблема. Представление высокосложных систем линейными моделями часто требует построения сотен или даже тысяч уравнений, каждое из которых привязано к различной переменной. Работа с таким уровнем сложности крайне трудна для человеческих исследователей. Именно здесь искусственный интеллект становится особенно ценным.
Новая структура анализирует временные ряды экспериментальных данных и выявляет наиболее значимые закономерности в изменении системы. Она сочетает глубокое обучение с ограничениями, вдохновленными физикой, чтобы свести систему к гораздо меньшему набору переменных, которые по-прежнему отражают ее основное поведение. В результате получается компактная модель, которая математически ведет себя как линейная система, оставаясь при этом верной сложности реального мира.
Для проверки метода исследователи применили его к широкому кругу систем. Они варьировались от знакомого маятникового движения до нелинейного поведения электрических цепей, а также моделей, используемых в климатологии и нейронных сетях. Хотя эти системы значительно отличаются друг от друга, ИИ неизменно обнаруживал небольшое количество скрытых переменных, которые управляли их поведением. Во многих случаях полученные модели были более чем в 10 раз меньше, чем те, которые были получены с помощью более ранних методов машинного обучения, при этом обеспечивая надежные долгосрочные прогнозы.
«Примечательна не только точность, но и интерпретируемость», – заявил Чен, который также занимает должности на факультетах электротехники, компьютерной инженерии и компьютерных наук. – «Когда линейная модель компактна, процесс научных открытий может быть естественным образом связан с существующими теориями и методами, разработанными учеными на протяжении тысячелетий. Это словно устанавливает связь между ИИ-учеными и учеными-людьми».
Кроме предсказаний, эта структура способна также определять стабильные состояния, известные как аттракторы, в которых система естественным образом стабилизируется со временем. Распознавание этих состояний критически важно для определения того, работает ли система нормально, медленно дрейфует или приближается к нестабильности.
«Для динамиста обнаружение этих структур похоже на нахождение ориентиров в новом ландшафте», – сказал Сэм Мур, ведущий автор исследования и кандидат наук из Лаборатории общей робототехники Чена. – «Как только вы узнаете, где находятся стабильные точки, остальная часть системы начинает обретать смысл».
Исследователи отмечают, что этот метод особенно полезен, когда традиционные уравнения недоступны, неполны или слишком сложны для вывода. «Речь идёт не о замене физики», – продолжил Мур. – «Это расширение наших возможностей рассуждать, используя данные, когда физика неизвестна, скрыта или слишком громоздка для записи».
Заглядывая в будущее, команда изучает, как эта структура может помочь в разработке экспериментов, активно выбирая, какие данные собирать, чтобы более эффективно выявить структуру системы. Они также планируют применить метод к более разнообразным формам данных, включая видео, аудио и сигналы от сложных биологических систем.
Это исследование поддерживает долгосрочную цель Лаборатории общей робототехники Чена по разработке «машинных ученых», которые будут помогать в автоматизированных научных открытиях. Связывая современный ИИ с математическим языком динамических систем, работа указывает на будущее, в котором ИИ будет не просто распознавать закономерности, но и помогать раскрывать фундаментальные правила, формирующие как физический мир, так и живые системы.
