Künstliche Intelligenz entdeckt alternative Physik

Neu[{“ attribute=““>Columbia University AI program observed physical phenomena and uncovered relevant variables—a necessary precursor to any physics theory. But the variables it discovered were unexpected.

Energy, Mass, Velocity. These three variables make up Einstein’s iconic equation E=MC². But how did Albert Einstein know about these concepts in the first place? Before understanding physics you need to identify relevant variables. Not even Einstein could discover relativity without the concepts of energy, mass, and velocity. But can variables like these be discovered automatically? Doing so would greatly accelerate scientific discovery.

This is the question that Columbia Engineering researchers posed to a new artificial intelligence program. The AI program was designed to observe physical phenomena through a video camera and then try to search for the minimal set of fundamental variables that fully describe the observed dynamics. The study was published in the journal Nature Computational Science on July 25.

Das Bild zeigt ein chaotisches dynamisches System, das in Bewegung schwankt. Unsere Arbeit zielt darauf ab, die minimalen Zustandsvariablen zu identifizieren und zu extrahieren, die benötigt werden, um ein solches System direkt aus hochdimensionalem Videomaterial zu beschreiben. Bildnachweis: Yinuo Qin / Columbia Engineering

Wissenschaftler begannen, das System mit rohem Videomaterial physikalischer Phänomene zu füttern, für die sie bereits die Lösung kannten. Zum Beispiel speisten sie ein Videoband eines schwingenden Doppelpendels ein, von dem bekannt ist, dass es genau vier „Zustandsvariablen“ hat – den Winkel und die Winkelgeschwindigkeit jedes der Arme. Nach mehrstündiger Analyse kam die KI mit ihrer Antwort heraus: 4.7.

„Wir dachten, diese Antwort wäre nah genug“, sagte Hood Lipson, Direktor des Creative Machines Laboratory im Department of Mechanical Engineering, wo die Arbeit hauptsächlich durchgeführt wurde. „Vor allem, da die KI nur auf rohes Videomaterial zugreifen konnte, ohne jegliche Kenntnisse in Physik oder Technik. Aber wir wollten wissen, was die Variablen tatsächlich sind, nicht nur wie viele.“

Als nächstes machten sich die Forscher daran, die tatsächlichen Variablen zu visualisieren, die das Programm identifiziert hatte. Das Extrahieren der Variablen selbst war schwierig, da das Programm sie nicht auf eine für Menschen verständliche, intuitive Weise beschreiben konnte. Nach einiger Untersuchung stellt sich heraus, dass zwei der vom Programm ausgewählten Variablen ungefähr den Winkeln der Arme entsprechen, aber die anderen beiden Variablen bleiben ein Rätsel.

„Wir haben versucht, die anderen Variablen mit allem und jedem in Verbindung zu bringen, was uns einfiel: Winkel- und Lineargeschwindigkeiten, kinetische und potentielle Energie, verschiedene Kombinationen bekannter Größen“, erklärte Boyuan Chen PhD ’22, jetzt Assistenzprofessor an der Duke University. „Aber nichts scheint ganz so zu sein wie zuvor.“ Das Team war zuversichtlich, dass die KI einen gültigen Satz von vier Variablen gefunden hatte, weil sie gute Vorhersagen machte, „aber wir haben die mathematische Sprache, die sie sprach, noch nicht verstanden“, erklärte er.

Boyuan Chen erklärt, wie ein neues Programm für künstliche Intelligenz physikalische Phänomene beobachtete und verwandte Variablen aufdeckte – ein notwendiger Vorläufer jeder physikalischen Theorie. Bildnachweis: Boyuan Chen / Columbia Engineering

Nachdem sie eine Reihe anderer physikalischer Systeme mit bekannten Lösungen validiert hatten, fügten die Wissenschaftler Videos von Systemen ein, für die sie die explizite Antwort nicht kannten. Eines dieser Videos zeigte einen „Lufttänzer“, der vor einem örtlichen Gebrauchtwagenhof schwankte. Nach mehreren Stunden Analyse gab das Programm 8 Variablen zurück. In ähnlicher Weise produzierte ein Video der Lava 8-Lampe acht Varianten. Als sie ein Video von Flammen aus einer Ferienkamin-Episode präsentierten, brachte das Programm 24 Variablen zurück.

Eine besonders interessante Frage war, ob der Variablensatz für jedes System einzigartig war oder ob bei jedem Neustart des Programms ein anderer Satz erzeugt wurde. „Ich habe mich immer gefragt, ob wir jemals einer intelligenten außerirdischen Rasse begegnen würden, würden sie die gleichen Gesetze der Physik entdecken wie wir, oder würden sie das Universum anders beschreiben?“ Sagte Lipson. „Vielleicht erscheinen einige Phänomene vage komplex, weil wir versuchen, sie mit den falschen Variablen zu verstehen.“

In den Experimenten war die Anzahl der Variablen bei jedem Neustart der KI gleich, aber die spezifischen Variablen waren jedes Mal anders. Also ja, es gibt tatsächlich alternative Möglichkeiten, das Universum zu beschreiben, und es ist sehr wahrscheinlich, dass unsere Entscheidungen nicht perfekt sind.

Laut den Forschern kann diese Art von KI Wissenschaftlern dabei helfen, komplexe Phänomene aufzudecken, deren theoretisches Verständnis nicht mit der riesigen Datenmenge übereinstimmt – Felder, die von Biologie bis Kosmologie reichen. „Obwohl wir in dieser Arbeit Videodaten verwendet haben, kann jede Art von Array-Datenquelle verwendet werden – Radar-Arrays oder[{“ attribute=““>DNA arrays, for example,” explained Kuang Huang PhD ’22, who coauthored the paper.

The work is part of Lipson and Fu Foundation Professor of Mathematics Qiang Du’s decades-long interest in creating algorithms that can distill data into scientific laws. Past software systems, such as Lipson and Michael Schmidt’s Eureqa software, could distill freeform physical laws from experimental data, but only if the variables were identified in advance. But what if the variables are yet unknown?

Hod Lipson erklärt, wie das KI-Programm neue physikalische Größen entdecken konnte. Bildnachweis: Hod Lipson/Columbia Engineering

Lipson, der auch James-und-Sally-Scapa-Professor für Innovation ist, argumentiert, dass Wissenschaftler viele Phänomene möglicherweise falsch interpretieren oder nicht verstehen, einfach weil sie nicht über eine gute Reihe von Variablen verfügen, um das Phänomen zu beschreiben. Lipson bemerkte: „Seit Tausenden von Jahren wissen die Menschen, dass sich Objekte schnell oder langsam bewegen, aber erst als das Konzept von Geschwindigkeit und Beschleunigung formal definiert wurde, entdeckte Newton sein berühmtes Bewegungsgesetz F = MA.“ Die Variablen, die Temperatur und Druck beschreiben, müssen identifiziert werden, bevor die Gesetze der Thermodynamik formuliert werden können, und so in jedem Winkel der wissenschaftlichen Welt. Variablen sind ein Vorläufer jeder Theorie. „Welche anderen Gesetze fehlen uns, nur weil wir die Variablen nicht haben?“ fragte Doe, der die Arbeit mitleitete.

Das Papier wurde auch von Sunand Raghupathi und Ishaan Chandratreya mitverfasst, die halfen, Daten für die Studien zu sammeln. Seit dem 1. Juli 2022 ist Boyuan Chen Assistant Professor an der Duke University. Arbeit ist Teil eines Joint[{“ attribute=““>University of Washington, Columbia, and Harvard NSF AI institute for dynamical systems, aimed to accelerate scientific discovery using AI.

Reference: “Automated discovery of fundamental variables hidden in experimental data” by Boyuan Chen, Kuang Huang, Sunand Raghupathi, Ishaan Chandratreya, Qiang Du and Hod Lipson, 25 July 2022, Nature Computational Science.
DOI: 10.1038/s43588-022-00281-6