Algoritam strojnog učenja donosi predviđanja na nov način

• Novi algoritam AI -a za mašinsko učenje sposoban za predviđanje planetarnih orbita koji bi jednog dana mogao pomoći ubrzanju istraživanja fizike u drugim područjima, poput obnovljive energije.

• Zapanjujuće je da predloženi algoritmi ne pretpostavljaju poznavanje zakona fizike.

• Mašinsko učenje koje cilja na teorije polja u fizici može dovesti do novih teorija u fizici i šire.

Renesansa strojnog učenja umjetne inteligencije (AI) obuhvaća mnoge discipline. Mogućnosti prepoznavanja uzoraka i predviđanja umjetnih neuronskih mreža posebno su korisne u disciplinama sa složenošću, poput istraživanja fizike, ključnog područja znanosti koje bi moglo pomoći ubrzanju istraživanja u inovativnim izvorima obnovljivih izvora energije, poput fuzije.

Nedavno istraživanje sa Princetona objavljeno u Scientific Reports prikazuje novi algoritam strojnog učenja AI -a sposoban za predviđanje planetarnih orbita koji bi jednog dana mogao pomoći ubrzanju istraživanja fizike u drugim područjima, poput obnovljive energije.

Autor nove studije je stipendist Američkog fizičkog društva i nagrađivani astrofizičar, dr Hong Hong, profesor fizike plazme na Univerzitetu Princeton i naučnik u Laboratoriju za fiziku plazme američkog Ministarstva energetike. Godine 2004. Qin je nagrađen i Predsjedničkom nagradom predsjednika SAD -a za ranu karijeru za naučnike i inženjere i Nagradom za naučnike i inženjere za ranu karijeru američkog Ministarstva energetike.

"Osim temeljne pretpostavke da su opservacijski podaci vođeni teorijama polja, predloženi algoritmi učenja i služenja ne pretpostavljaju nikakvo poznavanje zakona fizike, poput Newtonovog zakona kretanja i Schrödingerove jednadžbe", napisao je Qin. "Ovo se razlikuje od većine postojećih metodologija mašinskog učenja u fizici."

Fizika je nauka o materiji, kretanju, energiji i sili. Podrijetlo riječi fizika vodi do latinske riječi physica , i grčka riječ physika . Trenutno se mašinsko učenje umjetne inteligencije primjenjuje na fiziku na više načina, kao što je generiranje podataka za izračunavanje svojstava fizičkih sistema, rješavanje diferencijalnih jednadžbi, pronalaženje novih parametara ili funkcija u diferencijalnim jednadžbama i modeliranje složenih fizičkih procesa. Ovaj novi algoritam razlikuje se od trenutnih metoda mašinskog učenja u fizici. Qinovo istraživanje otvara novi trag u primijenjenoj AI za fiziku.

"Problem koji se obrađuje u ovom radu pripada novoj kategoriji", napisao je Qin. “Predložena metoda uči teoriju polja iz danog skupa podataka o obuci koji se sastoje od promatranih vrijednosti fizičkog polja na diskretnim prostor -vremenskim lokacijama. Zakoni fizike su fundamentalno izraženi u obliku teorija polja umjesto diferencijalnih jednadžbi. "

Kroz vjekove se naučna metoda koristila za stvaranje teorija i zakona u fizici. Naučna metoda počinje promatranjem fenomena što dovodi do hipoteze koja se koristi za predviđanje fenomena. Ako se hipoteza potvrdi temeljitim eksperimentalnim testiranjem, tada se naziva teorijom ili zakonom prirode, koji u fizici obično uzima format jednadžbe ili koncepta.

Prema Qinu, novi AI algoritam ide od unosa podataka do izlaza podataka bez privremenih koraka hipoteze, eksperimentalnog testiranja i teorije ili zakona prirode. Računalni algoritam strojnog učenja uči iz podataka o obuci kako sa visokim stepenom tačnosti davati predviđanja bez eksplicitnog programiranja s Newtonovim zakonom kretanja i gravitacije.

"Algoritam ne pokušava obuhvatiti statistička svojstva podataka o obuci, niti pokušava otkriti diferencijalne jednadžbe koje upravljaju podacima o obuci", napisao je Qin. “Umjesto toga, uči diskretnu teoriju polja koja podupire promatrano polje. Budući da je naučena teorija polja diskretna, ona prevladava poteškoće povezane s učenjem kontinuiranih teorija. ”

Qin je stvorio dva algoritma, algoritam za učenje i algoritam za posluživanje. Algoritam učenja se trenira na skupu podataka posmatranja za orbite Jupitera, Cerere, Marsa, Zemlje, Venere i Merkura. Algoritam posluživanja predviđa parabolične i hiperboličke biježne orbite drugih planetarnih orbita u Sunčevom sistemu.

Podaci o orbitama izvedeni su iz Newtonove jednadžbe kretanja planete u Sunčevom gravitacijskom polju u skladu s Newtonovim zakonom univerzalne gravitacije koji kaže da bilo koja čestica materije privlači drugu sa silom koja izravno varira kao proizvod mase, i obrnuto kao kvadrat udaljenosti između njih. Newton je koristio ovaj zakon da objasni opažanja planeta i njihovih mjeseci.

Newtonov zakon univerzalne gravitacije dijelom je izveden iz Keplerovih zakona kretanja planeta, između ostalih koncepata. 1687. engleski fizičar i matematičar Sir Isaac Newton (1642-1727) objavio je svoj zakon univerzalne gravitacije u Philosophiae Naturalis Principia Mathematica (Matematički principi prirodne filozofije) .

U astronomiji, Keplerovi zakoni kretanja planeta, objavljeni tokom 1609-1619, opisuju putanje planeta u Sunčevom sistemu oko Sunca. Ime je dobio po Johannesu Kepleru (1571-1630), njemačkom astronomu i matematičaru, a temelje se na Keplerovim zapažanjima danskog astronoma Tycho Brahea koji je prošao 1601. 1609. Kepler je objavio svoj prvi zakon da se planete kreću po eliptičnim putanjama sunce. Keplerov drugi zakon kaže da orbitalna brzina planeta nije ujednačena - kreće se brže kada je najbliža Suncu. Keplerov treći zakon kretanja planeta implicira da je planetama udaljenijim od Sunca potrebno duže vrijeme da kruže oko njega. Zapanjujuće, algoritam je mogao napraviti predviđanja bez eksplicitnog teškog kodiranja Keplerovih zakona, niti bilo kojih drugih zakona fizike.

"Učinkovitost razvijene metode i algoritama pokazana je na primjerima nelinearnih oscilacija i Keplerovog problema", napisao je Qin. „Algoritam učenja posebno uči diskretnu teoriju polja iz skupa podataka o planetarnim orbitama sličnog onom što je Kepler naslijedio od Tycho Brahea 1601. godine, a algoritam posluživanja ispravno predviđa druge planetarne orbite, uključujući parabolične i hiperbolične bježeće orbite, Sunčev sistem bez učenja ili poznavanja Newtonovih zakona kretanja i univerzalne gravitacije. ”

Kao sljedeći korak, Qin i doktor fizike na plazmi Univerziteta Princeton student Eric Palmerduca planira primijeniti tehniku ​​strojnog učenja za teoriju diskretnih polja kako bi proučio ponašanje čestica plazme u trenutnim eksperimentima fuzijske energije širom svijeta. S ovim novim dokazom koncepta u strojnom učenju za opsluživanje diskretnih teorija polja u fizici, istraživači sada imaju metodu ne samo za ubrzanje istraživanja obnovljivih izvora energije, već i za razvoj novih teorija u fizici i šire.

Autorsko pravo © 2021 Cami Rosso Sva prava pridržana.