به گزارش علمی نیوز و به نقل از Psychology Today، فیزیک یک رشته علمی مهم است - این یک علم بنیادی با اصولی است که سایر شاخه های علوم طبیعی را تحت تأثیر قرار می دهد. این ماهیت و خواص ماده، انرژی، حرکت و نیرو را توضیح می دهد. قوانین فیزیک مربوط به دنیای واقعی هستند و در محصولات و خدمات مورد استفاده در زندگی مدرن روزمره به کار می روند. قوانین فیزیک از ماشین ها، هواپیماها، گوشی های هوشمند، هدفون گرفته تا اره در زمین بازی، بر نحوه زندگی ما تأثیر می گذارد. اخیراً یک تیم تحقیقاتی از مؤسسه فناوری ماساچوست (MIT) یک سیستم هوش مصنوعی (AI) ایجاد کرده است که از اکتشافات اکتشافی قرن ها فیزیکدانان برای استخراج قوانین فیزیک از جهان های پیچیده و شبیه سازی شده استفاده می کند. آیا یک فیزیکدان یادگیری ماشینی می تواند قوانین طبیعی جهان ما را بهتر از یک فیزیکدان انسانی درک کند؟
فیزیک کاربردی نوآوری در اپتیک، انرژی، الکترونیک، لیزر، لیدار، محاسبات، تصویربرداری تشدید مغناطیسی، سونار، رادار، نیمه هادی ها، علم مواد، نیروی محرکه الکترومغناطیسی و اکتشاف فضایی به ارمغان آورده است . فیزیک میان رشته ای شامل نوروفیزیک، روان فیزیک، آکوستیک، نانوتکنولوژی، بیوفیزیک، اخترفیزیک و اقتصاد فیزیک است. پیشرفت در فیزیک دارای فرصت های تجاری در دنیای واقعی است.
تیم تحقیقاتی MIT متشکل از Tailin Wu و Max Tegmark چهار استراتژی را که معمولاً توسط فیزیکدانان استفاده می‌شود ترکیب کردند: تقسیم و تسخیر، تیغ Occam، اتحاد و یادگیری مادام العمر در توسعه الگوریتم خود برای فیزیکدان هوش مصنوعی.
فیزیکدانان در طول اعصار تئوری هایی را برای توضیح پدیده های طبیعی و جهان ما ارائه کرده اند مانند مکانیک کوانتومی، نسبیت عام، قانون گرانش جهانی نیوتن، بیگ بنگ، نظریه M، نظریه ابر ریسمان، نظریه وحدت بزرگ، نظریه BCS، و نظریه بلوخ. چندتا را نام بردن. وو و تگمارک از یک رویکرد نوآورانه استفاده کردند که بر یادگیری ماشین و پردازش نظریه‌ها متمرکز است، نه روش استاندارد اعمال یک مدل بزرگ واحد برای همه داده‌ها.
وو و تگمارک استراتژی تفرقه بینداز و غلبه کن را برای یافتن نظریه های فردی از مشاهدات پیچیده به کار گرفتند. الگوریتم چندین نظریه را یاد می گیرد که بخشی از داده های کلی را توصیف می کند. هر نظریه به صورت الگوریتمی تشویق می‌شود تا در حوزه مربوطه خود با پاداش دادن به گرادیان‌های بزرگ‌تر برای عملکرد بهتر نظریه‌ها، تخصص پیدا کند.
تیغ اوکام، که به نام قانون صرفه جویی نیز شناخته می شود، یک رویکرد حل مسئله است که هنگام ارائه چندین فرضیه، احتمال درستی فرضیه ای که کمترین فرضیات را دارد بیشتر است. به عبارت دیگر، هر چه توضیح ساده تر باشد، بهتر است. تیغ Occam با به حداقل رساندن طول کل توضیحات به صورت ریاضی در الگوریتم گنجانده شد. به طور خاص، این روش از نظریه استنتاج سولومونوف مرتبط با رویکرد AIXI هاتر به هوش عمومی مصنوعی استفاده کرد .
وو و تگمارک با استفاده از مفهوم استراتژیک اتحاد، پارامترهای خاصی را با هدف یکسان سازی نظریه های آموخته شده معرفی کردند. این در مورد شناسایی شباهت های اساسی بین نظریه های مختلف، و گرد هم آوردن آنها در یک نظریه جامع است. هدف مورد نظر داشتن یک نظریه استاد است که بتواند مجموعه ای از نظریه ها را ایجاد کند.
این تیم مفهوم یادگیری مادام العمر را در معماری گنجانده است تا دانش انباشته شده و تجربیات گذشته حفظ شود. مدل راه حل های آموخته شده را به خاطر می آورد و آنها را روی مسائل آینده آزمایش می کند.
عامل یادگیری ماشین بدون نظارت حاصل، به نام "AI Physicist" در محیط‌های فیزیک پیچیده‌تر در جهان‌های شبیه‌سازی‌شده که ترکیب‌های تصادفی از حرکت هارمونیک، جهش‌های الاستیک، گرانش و الکترومغناطیس داشتند، آزمایش شد.
این تیم 40 دنیای "معمایی" را با قوانین طبیعی فیزیک ایجاد کردند که از مکانی به مکان دیگر متفاوت بود. در این آزمایش، علاوه بر آزمایش فیزیکدان هوش مصنوعی، وو و تگمارک یک عامل «پایه» و یک فیزیکدان هوش مصنوعی «نوزاد» داشتند که در معرض نمونه‌های گذشته قرار نگرفته است و بنابراین استراتژی یادگیری مادام‌العمر تأثیری نداشت. هم فیزیکدان تازه متولد شده و هم هوش مصنوعی توانایی حل بیش از 90 درصد از تمام 40 دنیای اسرارآمیز را نشان دادند. این تیم کشف کرد که درست مانند دانشمندان انسانی، یک استراتژی یادگیری مادام العمر به فیزیکدان هوش مصنوعی کمک می کند تا با داده های کمتر در محیط های جدید بهتر عمل کند و سریع تر یاد بگیرد.
در بین تمام زمینه های علمی، فیزیک یکی از بهترین رشته ها برای به کارگیری هوش مصنوعی است. جهان ذاتاً پیچیده است و استفاده از قابلیت‌های تشخیص الگوی یادگیری ماشینی بدون نظارت می‌تواند به طور بالقوه برخی از بینش‌های جدید را آشکار کند. وو و تگمارک به دنبال بهبود تکنیک‌هایی برای ساده‌سازی شبکه‌های عصبی پیچیده آموخته‌شده هستند . آنها قصد دارند معماری مدل آینده AI Physicist را کاهش داده و ساده کنند تا سرعت و دقت عوامل یادگیری ماشینی بدون نظارت آینده را بهبود بخشند.
به گفته محققان، فیزیکدان هوش مصنوعی «معمولاً سریع‌تر یاد می‌گیرد و خطاهای پیش‌بینی میانگین مربعی را حدود یک میلیارد بار کوچک‌تر از شبکه عصبی پیش‌خور استاندارد با پیچیدگی مشابه تولید می‌کند.»
آیا فیزیکدان هوش مصنوعی در نهایت می تواند برای درک قوانین طبیعی جهان ما بهتر از یک فیزیکدان انسانی تکامل یابد؟ به مرور زمان این فضا را تماشا کنید.
