Pode um “físico AI” superar Einstein?

O sistema de IA do MIT é capaz de derivar leis da física em mundos misteriosos.

Fonte: geralt / pixabay

A física é um campo científico importante – é uma ciência fundamental com princípios que impactam outros ramos das ciências naturais. Explica a natureza e as propriedades da matéria, energia, movimento e força. As leis da física têm relevância no mundo real e são implantadas em produtos e serviços usados ​​no cotidiano da vida moderna. Variando de carros, aviões, smartphones, fones de ouvido, a gangorra em um playground, as leis da física impactam a maneira como vivemos. Recentemente, uma equipe de pesquisa do Instituto de Tecnologia de Massachusetts (MIT) criou um sistema de inteligência artificial (IA) que utiliza séculos de heurísticas antigas de físicos para derivar leis da física a partir de mundos complexos e simulados. Pode um físico aprendiz de máquina entender melhor as leis naturais do nosso mundo do que um físico humano?

A física aplicada trouxe inovação em óptica, energia, eletrônica, laser, lidar, computação, ressonância magnética, sonar, radar, semicondutores, ciência dos materiais, propulsão eletromagnética e exploração espacial. A física interdisciplinar inclui a neurofísica, a psicofísica, a acústica, a nanotecnologia, a biofísica, a astrofísica e a econofísica. Avanços na física têm oportunidades comerciais no mundo real.

• O Poder Criativo do Conflito Construtivo
• Boredomtunity: Por que o tédio é a melhor coisa para nossos filhos
• O que é certo sobre esportes juvenis na América
• Acupuntura para os azuis do inverno
• “Apenas preservação” favorece o valor intrínseco dos animais

A equipe de pesquisa do MIT de Tailin Wu e Max Tegmark incorporou quatro estratégias que são comumente usadas pelos físicos: dividir-e-conquistar, navalha de Occam, unificação e aprendizagem ao longo da vida no desenvolvimento de seu algoritmo para o Físico AI.

Físicos ao longo dos tempos nos forneceram teorias para explicar fenômenos naturais e nosso universo, como mecânica quântica, relatividade geral, lei de Newton da gravitação universal, Big Bang, teoria M, teoria das supercordas, teoria da grande unificação, teoria BCS e teoria de Bloch. para nomear alguns. Wu e Tegmark usaram uma abordagem inovadora centrada no aprendizado de máquina e no processamento de teorias, em vez do método padrão de aplicar um único modelo grande a todos os dados.

Wu e Tegmark implantaram uma estratégia de divisão e conquista para encontrar teorias individuais a partir de observações complexas. O algoritmo aprende várias teorias que descrevem parte dos dados gerais. Cada teoria é incentivada algoritmicamente para se especializar em seu respectivo domínio, recompensando gradientes maiores para obter melhores teorias.

• Saúde Mental “Lite”
• Como identificar um mau líder, em 2009 e 2019
• Sintonizando para enfatizar
• 4 maneiras líderes podem melhor incentivar a inovação
• A alegria e a angústia de uma mente ágil

A navalha de Occam, também conhecida como a lei da parcimônia, é uma abordagem de solução de problemas que, ao dar várias hipóteses, é a que tem menos probabilidade de ser correta. Em outras palavras, quanto mais simples a explicação, melhor. A navalha de Occam foi incorporada minimizando o comprimento total da descrição matematicamente no algoritmo. Especificamente, o método usou a teoria da inferência de Solomonoff, ligada à abordagem AIXI de Hutter à inteligência geral artificial.

Usando o conceito estratégico de unificação, Wu e Tegmark introduziram parâmetros específicos com o objetivo de unificar teorias aprendidas. Trata-se de identificar semelhanças fundamentais entre várias teorias e reuni-las em uma teoria abrangente. O objetivo desejado é ter uma teoria de mestres que possa gerar um continuum de teorias.

A equipe incorporou o conceito de aprendizagem ao longo da vida na arquitetura para que o conhecimento seja acumulado e as experiências passadas sejam preservadas. O modelo lembra as soluções aprendidas e as testa em problemas futuros.

O agente de aprendizado de máquina sem supervisão resultante, chamado “AI Physicist”, foi testado em ambientes físicos cada vez mais complexos em mundos simulados que tinham combinações aleatórias de movimento harmônico, saltos elásticos, gravidade e eletromagnetismo.

A equipe criou 40 mundos “misteriosos” com leis naturais da física que variavam de um local para outro. No experimento, além de testar o físico de IA, Wu e Tegmark tinham um agente de “base” e um físico de IA “recém-nascido” que não foi exposto a exemplos anteriores e, portanto, uma estratégia de aprendizagem ao longo da vida não teve impacto. Tanto o Newborn quanto o AI Physicist mostraram capacidade de resolver mais de 90% de todos os 40 mundos misteriosos. A equipe descobriu que, assim como os cientistas humanos, uma estratégia de aprendizagem ao longo da vida ajuda o físico de IA a ter um desempenho melhor e aprender mais rápido com menos dados em novos ambientes.

Fora de todos os campos científicos, a física é sem dúvida um dos melhores para aplicar inteligência artificial. O universo é inerentemente complexo e o aproveitamento das capacidades de reconhecimento de padrões do aprendizado de máquina não supervisionado poderia revelar algumas novas percepções. Wu e Tegmark buscam “melhorar as técnicas de simplificação de redes neurais complexas aprendidas”. Eles planejam reduzir e simplificar ainda mais a futura arquitetura do modelo do AI Physicist para melhorar tanto a velocidade quanto a precisão de futuros agentes de aprendizado de máquina não supervisionados.

Segundo os pesquisadores, o AI Physicist “tipicamente aprende mais rápido e produz erros de previsão do quadrado médio cerca de um bilhão de vezes menores do que uma rede neural feedforward padrão de complexidade comparável”.

Pode o Físico da IA ​​eventualmente evoluir para entender melhor as leis naturais do nosso mundo do que um físico humano? Veja este espaço ao longo do tempo.

Copyright © 2018 Cami Rosso Todos os direitos reservados.

Referências

Wu, Tailin, Tegmark, máx. “Rumo a um físico de IA para aprendizagem não supervisionada”. ArXiv : 1810.10525. 6 de novembro de 2018. Retirado 12-19-2018 de https://arxiv.org/pdf/1810.10525.pdf