大數據文摘出品
編譯：陳若朦、牛婉楊
天文學家花了幾個世紀才弄明白的規律，如果從頭交給機器學習算法去領悟，能重現被發現嗎？
近日，蘇黎世瑞士聯邦理工學院（ETH）物理學家Renato Renner的團隊就進行了這樣讓AI“重回16世紀”的嘗試。
他們開發了一種新型的神經網絡——受大腦結構啟發的機器學習系統。然後，這個算法通過檢測太陽和火星相對於地球的運動，竟然能夠得出太陽位於太陽系中心的結論。
也就是說，讓機器自學哥白尼時代的基礎物理知識和相關軌道運行信息，它能夠自行得出“太陽中心說”的結論，甚至還自行推出了哥白尼提出的的火星運動軌跡公式。
這一有趣的結論被小組成員們稱為“重新發現了科學史上最重要的轉折之一”，堪稱人工智能領域“哥白尼”的誕生。
“哥白尼”神經網絡誕生
從前，地球一直被認為是宇宙的中心，天文學家們用行星的小週期運轉（本輪）來解釋火星的運動。 直到16世紀，哥白尼發現，如果假設地球和其他行星都在繞太陽公轉，則可以用更簡單的公式來歸納行星運動規律。
這一發現堪稱在人類科學史上的“高光時刻”之一，不僅在天文學上，在歷史、宗教領域都帶來了不可超越的重大影響。
據nature報道，這一人類花了幾個世紀才弄清楚的行星運轉規律， 也可以被算法短時間模擬。
來自ETH的研究團隊稱，他們的算法可以根據太陽和火星的運動軌道以及它們相對於地球的位置，推論出太陽位於太陽系的中心位置——這一壯舉是這項技術的第一個測試。
加拿大多倫多大學物理學家Mario Krenn表示，該研究小組的神經網絡得出了哥白尼提出的的火星運動軌跡公式，重新發現了科學史上最重要的轉折之一。下一步，研究人員希望通過得出大數據的普遍規律和模式，用於新的物理定律的發現，並重新制定量子力學。
傳統的神經網絡通過收集和分析龐大的數據（如圖像和聲音）來自我訓練。通過大數據，神經網絡可以總結出某類型事物特徵的規律，例如，用“四隻腿”和“尖耳朵”來識別貓。這些特徵在其數學“節點”（人造神經元）上被編碼。 但是，神經網絡無法自動將這些信息提煉成幾個易於解釋的規則，它是一個黑匣子，以一種無法預測且難以解釋的方式，將其獲得的知識分佈在成千上萬個結點上。
Renner的團隊設計了一種“遲鈍型”的神經網絡——由兩個僅通過少數幾個鏈接相互連接子網絡組成。其中第一個子網絡具備傳統的數據學習功能，另一個子網絡則使用學習得到的經驗得出新的預測並測試。 由於兩個子網絡間相互連接的鏈路很少，因此第一個網絡以壓縮格式將信息傳遞給另一側。Renner表示，整個過程有點像老師將知識傳授給學生。
解決更復雜問題的希望，或有可能解決量子力學矛盾
儘管該算法能夠推導出理論公式，但仍需要人親自來解釋這些公式，並得出它們與行星繞太陽運動的關係，但是，哥倫比亞大學的機器人學家Hod Lipson仍認為這項工作十分重要，因為它能夠得出描述物理系統的關鍵參數。 他認為，這些技術是我們理解並跟上物理學中其他更復雜現象的希望。
Renner的團隊希望開發機器學習技術，以幫助物理學家解決目前存在的量子力學矛盾。Renner說：“在某種程度上，當前的量子力學法可能只是歷史的仿製品。”他認為，通過計算機可以提出不存在矛盾的公式。
為了實現該目標，Renner正在嘗試改良其神經網絡，該版本不僅可以從實驗數據中學習，還可以提出新的實驗方法來檢驗其假設。
Renato Renner
人工智能推演“三體”難題
希望利用神經網絡解決物理問題的不止Renner一家。
前陣子，愛丁堡大學的Enter Philip Breen團隊通過訓練神經網絡準確的對三體運動進行了預測，且速度比最先進的常規方法快了近1億倍。
為訓練神經網絡，研究者首先將問題進行簡化，假設三個黑洞為平面上的三個等質量粒子，各粒子初始速度為0。隨機給定粒子的初始位置，使用最先進的Brutus方法進行求解，並將這一過程重複一萬次。
Breen團隊利用神經網絡進行的三體實驗
其中9900個算例作為神經網絡的訓練庫，剩餘100個用於驗證。最後，用5000個全新算例測試神經網絡，並將預測結果與利用Brutus方法得到的計算結果進行比對。
結果十分有趣！神經網絡準確地預測了三體運動，並正確模擬出相近軌跡間的散度，與Brutus方法的計算結果極其相近。Breen團隊表示，“我們已經證明深度人工神經網絡可以在固定時間內快速且準確的解決三體問題這一計算難題。”
更重要的是，團隊將能量消耗情況引入了神經網絡預測能力的測試中。幾次調整後，神經網絡符合節能條件，且誤差僅僅為10-5。
這一結果令人驚歎。且具有極大的潛力。Breen團隊特別指出神經網絡甚至能夠解決Brutus方法無法計算的三體問題。
因此他們希望構建一個混合系統，使用Brutus方法進行所有繁重的計算，若計算負擔過大，則引入神經網絡，直到可運用Brutus方法繼續計算。
這樣，神經網絡應該可以比以往更準確地模擬星系核和球狀星團內部的黑體運動。
這僅僅是個開始，Breen團隊表示，“終有一天，我們設想神經網絡可以被訓練解決更多混沌問題，例如四體或五體問題，並進一步減輕計算負擔。”
閱讀更多 大數據文摘 的文章
