ドイツのユーリッヒ研究センターの研究者らは、人工知能（AI）にAlbert EinsteinやIsac Newtonのような物理学者としての思考をさせることに成功した。この学習により、このモデルは複雑なデータセットのパターンを認識し、それを物理理論に定式化することができるとのことだ。
偉大な物理学者が歴史に名を残しているのは、彼らがそれまでにない画期的な理論を構築し、それまでの世界の見方を変え、その後に続く多くの科学者達に無数の実験の機会を与えてくれたからだ。そのような画期的かつ普遍的な理論は、彼らによってなされた観測を説明するだけでなく、私たちの周りで起こっているかもしれない他の現象も説明する。
例えば、Newtonの重力の法則は、地球上の重力だけでなく、他の惑星や月などの天体の運動を正確に予測するのに役立っている。
新しい理論や仮説を立てるには、大きく分けて2つのアプローチがある。一つは、その分野の既知の法則から出発し、そこから新しい仮説を導き出す方法、もう一つは、ある物体の挙動や新しい現象を新しい理論で説明しようとする方法である。しかし厄介なのは、仮説に到達するために適切なアプローチを選ぶことである。
AIに物理学について考えさせる訓練を試みる前に、研究者らはAIそのものの働きを理解するために物理学を使っていた。同研究所のClaudia Merger研究員は、ニューラルネットワークを使って複雑な動作をより単純なシステムに正確にマッピングした。AIはシステムのコンポーネント間の複雑な相互作用を単純化することでこれを実現した。
次に研究チームは、単純化されたシステムを使って、訓練されたAIで逆マップを作成した。システムが単純なコンポーネントから複雑なコンポーネントに戻るにつれて、新しい理論が展開された。このアプローチは、AIが定義したパラメータで相互作用が読み取れることを除けば、物理学者が選択するものと似ていた。研究者たちはこれを “AIの物理学”と呼んでいる。
他のAIモデルとどう違うのか？
Merger氏は、AIモデルがどのように考えることができるかを示すために、手書きの数字におけるより小さな部分構造が、ピクセル間の相互作用によってどのように構成されているかを調査した。AIの助けを借りて、研究者たちは、明るいピクセルのグループが手書き数字の形状に寄与していると理論化した。
AIを使えば、多数の相互作用を同時に研究できるので便利だ。その分計算量は増えるが、AIを使わなければ極めて小さなシステムしか見ることができない。
このシステムが、過去1年間にすでに発表された他のAIモデルとどう違うかというと、学習方法とその仕組みについての理解である。通常、AIモデルは訓練に使われるデータの理論を学習する。この学習は、訓練されたシステムのパラメーターに隠されている。
研究者らは、AIの物理学的アプローチを使用する代わりに、コンピューターが学習した理論と、システム構成要素間の相互作用を説明するために使用する言語を抽出することに成功した。これは、AIの複雑な仕組みと人間が理解できる理論との橋渡しに利用できると、主任研究者のMoritz Heliasはプレスリリースで述べている。
論文
- Physical Review X: Learning Interacting Theories from Data
参考文献
- Forschungszentrum Jülich: AI as a Physicist
研究の要旨
物理学の課題のひとつは、微視的な相互作用から集合的な性質がどのように生じるかを説明することである。実際、相互作用はほとんどすべての物理理論の構成要素であり、作用の多項式項によって記述される。伝統的なアプローチは、これらの項を素過程から導出し、得られたモデルを用いて系全体の予測を行うことである。しかし、その基礎となる過程が未知である場合はどうだろう？逆に、システム全体を観察することで、微視的な作用を学ぶことはできるのだろうか？私たちは、まず観測されたデータ分布を学習するために、可逆ニューラルネットワークを使用する。ニューロンの活性化関数に適切な非線形性を選択することで、学習したモデルの重みから作用を計算することができる。このプロセスにより、ネットワークがどのように対関係の非線形変換を介して相互作用を階層的に構築しているかが明らかになる。このアプローチを、相互作用する理論のシミュレーションデータセットと、確立された画像データセット（MNIST）でテストする。このクラス以外では、第3キュムラントまでデータの統計量を近似する効果的な理論を見つけることができる。我々は、ネットワークの深さとデータ量が、学習されたモデルと真のモデルとの間の一致をどのように改善するかを明示的に示す。この研究は、データから微視的モデルを透過的に抽出するために、機械学習の力を活用する方法を示している。
コメントを残す