Исследовательской группе, возглавляемой доцентом Ягути Такахару (Высшая школа системной информатики) и доцентом Мацубара Такаши (Высшая школа инженерных наук, Университет Осаки), удалось разработать технологию для моделирования явлений, подробный механизм или формула которых не имеет объяснения. Они сделали это, используя искусственный интеллект (ИИ) для создания модели, которая соответствует законам физики, на основе данных наблюдений.

Есть надежда, что это развитие позволит предсказать явления, которые до сих пор было трудно моделировать, потому что их подробные лежащие в основе механизмы были неизвестны. Также ожидается повышение скорости самих симуляций.

Эти научные достижения были представлены 7 декабря на Тридцать четвертой конференции по системам обработки нейронной информации (NeurIPS 2020), посвященной темам, связанным с технологиями искусственного интеллекта. 9454 статьи были размещены на NeurIPS 2020, и из 1900, которые были отобраны, эта исследовательская работа вошла в верхние 1,1% и была одной из 105, выбранных для устного выступления на конференции.

Основные положения

Возможность применять искусственный интеллект для предсказания физических явлений может привести к чрезвычайно точному и высокоскоростному моделированию.
До настоящего времени методы прогнозирования были склонны давать завышенные или недооцененные результаты, потому что сложность оцифровки явлений означает, что законы физики (например, закон сохранения энергии) не сохраняются.
Эта исследовательская группа разработала технологию на основе искусственного интеллекта, которая может запускать моделирование при сохранении законов физики. Они использовали цифровой анализ, чтобы воспроизвести физику, которую компьютер может распознать в цифровом мире.
Ожидается, что эта технология позволит моделировать явления, подробный механизм или формула которых не ясен (например, волновое движение, механика разрушения (например, рост трещин) и рост кристаллических структур), при условии наличия достаточных данных наблюдений.
Предпосылки исследования

Обычно можно выполнять предсказания физических явлений с помощью моделирования с использованием суперкомпьютеров, и в этих моделированиях используются уравнения, основанные на законах физики. Несмотря на то, что эти уравнения очень универсальны, это не всегда означает, что они способны идеально воспроизводить различные характеристики отдельных явлений. Например, многие люди изучают физику движения маятника в средней школе. Однако, если вы действительно создадите маятник и попытаетесь повернуть его, небольшой производственный дефект в маятнике может привести к тому, что он не будет двигаться в соответствии с теорией, и это приведет к ошибке в прогнозе моделирования. Следовательно, исследования по применению данных наблюдений за явлениями к моделированию с помощью искусственного интеллекта в последние годы продвигаются вперед.

Однако сложно ввести законы физики, которые управляют явлениями реального мира, в технологию прогнозирования с использованием современного ИИ, потому что компьютеры являются цифровыми. Трудно точно воспроизвести физические законы, такие как закон сохранения энергии. Следовательно, в долгосрочных прогнозах может происходить неестественное увеличение или уменьшение энергии. Это может привести к переоценке или недооценке таких явлений, как скорость объекта или высота волны, а также к неопределенности в отношении надежности прогноза.

Результаты исследований

Эта исследовательская группа разработала новую технологию на основе искусственного интеллекта, которую можно использовать для предсказания различных явлений, строго соблюдая физические законы, такие как закон сохранения энергии.

Этот недавно разработанный подход был основан на идее «если бы мир был цифровым». На основе этого образа мышления были введены физические законы, которые необходимо сохранить в таком цифровом мире. Сосредоточившись на том факте, что физические законы записываются в терминах математического анализа, таких как «дифференциация» и «интеграция», исследователи переписали их, используя цифровое исчисление.

Чтобы сделать это технически, исследователи разработали новую цифровую версию обратного распространения ошибки (* 1), которая используется в машинном обучении с использованием автоматического дифференцирования. С помощью этого нового подхода можно сохранить физические законы, такие как закон сохранения энергии в цифровом мире. Кроме того, это позволяет правильно реализовать закон сохранения энергии с помощью технологии на основе искусственного интеллекта даже в симуляциях. Использование этой новой методологии сделает возможным высоконадежные прогнозы и предотвратит возникновение неестественных повышений и понижений энергии, которые наблюдаются в традиционных моделях.

В методике, разработанной в этом исследовании, ИИ изучает функцию энергии на основе данных наблюдений за физическими явлениями, а затем генерирует уравнения движения в цифровом мире. Эти уравнения движения могут использоваться программой моделирования как есть, и ожидается, что применение таких уравнений приведет к новым научным открытиям (рис. 1). Кроме того, нет необходимости переписывать эти уравнения движения для компьютерного моделирования, чтобы можно было воспроизвести физические законы, такие как закон сохранения энергии.

Чтобы ввести физические законы в цифровой мир, также использовались геометрические подходы, такие как симплектическая геометрия (* 2) и риманова геометрия (* 3). Это позволяет применять эту технику для предсказания более широкого круга явлений. Например, явление объединения двух капель в одну можно объяснить с точки зрения потери энергии, которая происходит, когда они становятся единой каплей. Этот вид феномена хорошо описывается с помощью римановой геометрии. Фактически, явления как сохранения энергии, так и явления рассеяния энергии могут быть показаны в аналогичном уравнении с геометрической точки зрения, что может позволить создать единую систему, способную справиться с обоими типами явлений. Путем включения этого образа мышления модель, разработанная в ходе этого исследования, была расширена, чтобы также учитывать явления рассеяния энергии.

Примеры таких явлений включают структурную организацию материалов, рост кристаллов и механику расширения трещин, и есть надежда, что дальнейшие разработки технологии искусственного интеллекта позволят предсказать подобные явления.

Более того, исследовательская группа также успешно повысила эффективность обучения ИИ, и эксперименты показали, что это в 10 раз быстрее, чем существующие методы.

Дальнейшие исследования

Подход, разработанный в ходе этого исследования, предполагает, что при прогнозировании физических явлений можно было бы создавать индивидуальные модели, имитирующие подробные аспекты этих явлений, которые сложно координировать людям. Это позволило бы повысить точность моделирования, а также сделать возможным более эффективные прогнозы, что привело бы к сокращению времени вычислений для различных физических симуляций.

Кроме того, использование ИИ для извлечения физических законов из данных наблюдений позволит прогнозировать явления, которые ранее было трудно моделировать из-за неизвестности их подробных механизмов.

Прогнозы, сделанные ИИ, часто называют «черными ящиками», и они подвержены проблемам с надежностью. Однако подход, разработанный в ходе этого исследования, является очень надежным, поскольку он может точно воспроизводить явления, придерживаясь физических законов, таких как закон преобразования энергии, а это означает, что вероятность завышения и занижения прогнозов маловероятна.

Этот метод также может вызвать обратное распространение, которое обычно используется в обучении ИИ. Таким образом, это может улучшить скорость различных типов машинного обучения за пределами технологии, описанной в данном исследовании.

Глоссарий

1. Обратное распространение (BP): Обратное распространение — это алгоритм, используемый в машинном обучении. Он используется для расчета, как лучше всего исправить неправильные ответы, данные ИИ в период обучения (на основе расчетов дифференциации).

2. Симплектическая геометрия: геометрия, лежащая в основе механических теорий, таких как законы Ньютона. Считается, что он может описывать физические законы, такие как механика, без координат, поскольку законы существуют независимо от конкретных координат. Следовательно, можно описывать и анализировать уравнения движения, используя симплектическую геометрию.

3. Риманова геометрия: Риманова геометрия используется для изучения искривленных поверхностей. Это позволяет знакомить с понятиями длины и угла самые разные предметы. Используя этот геометрический подход, можно смоделировать такие явления, как рассеивание энергии, в виде точки, движущейся вниз по склону.