杜克大學的研究人員創建了一個新的人工智能框架，旨在揭示自然和現代技術中發現的一些最複雜動態背後的清晰、易於理解的規則。
這個系統的靈感來自於歷史上偉大的“動力主義者”的工作。他們是研究隨時間變化的系統的科學家，就像艾薩克·牛頓一樣，他通常被認為是第一個動力論者。該人工智能開發連接力和運動的方程，分析顯示複雜系統如何演化的數據。然後創建一個準確描述該行為的方程。
這種方法的獨特之處在於它能夠處理超出人類能力的複雜性。人工智能可以使用涉及數百或數千個相互作用變量的非線性系統。並將其簡化為更簡單且維度更少的定律。
用於理解隨時間變化的新工具
該研究於 12 月 17 日在線發表在該雜誌上 npj 複雜度為科學家引入一種強大的新方法，利用人工智能來研究隨時間演變的系統。這包括天氣模式、電路、機械設備和生物信號。
“科學發現往往依賴於尋找複雜過程的簡單表示，”杜克大學通用機器人實驗室主任、迪金森家族機械工程和材料科學助理教授陳博源說。 “我們擁有理解日益複雜的系統所需的原始數據。但它不是將這些數據轉化為經驗法則的工具。科學家們依賴彌合這一差距很重要。”
簡化的一個經典例子來自物理學。砲彈的路徑取決於許多因素。包括速度和發射角度。空氣阻力 改變風況甚至環境溫度 儘管存在這種複雜性，但可以通過僅使用發射速度和角度的簡單線性方程來近似近似運動。
建立在數十年曆史的數學概念之上。
這種簡化反映了數學家 Bernard Koopman 在 20 世紀 30 年代提出的理論思想。庫普曼表明，複雜的非線性系統可以使用線性模型進行數學表示。新的人工智能框架直接建立在這個想法的基礎上。
然而，重大挑戰仍然存在。用線性模型表示高度複雜的系統通常需要創建數百或數千個方程。每個方程都與不同的變量相關聯。對於人類研究人員來說，處理這種複雜程度是很困難的。
這就是人工智能極其有價值的地方。
人工智能如何降低複雜性？
該框架研究實驗中的時間序列數據，並識別系統動力學中最有意義的模式。它將深度學習與物理啟發的約束相結合。將系統縮小到更小的變量集，但仍能捕獲系統的重要行為。結果是一個緊湊的模型，其數學行為類似於線性系統，同時保持現實世界的複雜性。
為了測試這種方法，研究人員已將其應用於各種系統。這些範圍包括我們熟悉的鐘擺的振盪運動。電路的非線性行為以及氣候科學和神經電路中使用的模型。儘管這些系統差異很大，但人工智能不斷揭示控制其行為的少量隱藏變量。在許多情況下，生成的模型比以前的機器學習方法生成的模型小 10 倍以上，同時仍然提供可靠的長期預測。
“突出的不僅僅是真實性。”在電氣工程、計算機和計算機科學領域任職的陳說，“但它們也是可以解釋的。當線性模型緊湊時，科學發現的過程可以自然地與人類科學家幾千年來開發的現有理論和方法聯繫起來。”這就像將人工智能科學家與人類科學家聯繫起來。 ”
尋找安全和警告標誌
該框架的作用不僅僅是進行預測。它還可以指示穩定狀態，也稱為吸引子。隨著時間的推移，這會自然解決。識別這些狀態對於確定係統是否正常運行非常重要。行動緩慢還是接近不穩定？
“對於動態尋找這些結構就像在新景觀中尋找地標一樣，”陳通用機器人實驗室的主要作者和博士生薩姆·摩爾說。系統的其餘部分開始理解。 ”
研究人員指出，當原始方程不可用、不完整或太複雜而難以獲得時，這種方法特別有用。 “這並不是要取代物理學，”摩爾繼續說道。 “當物理學未知、隱藏或難以記錄時，它擴展了我們使用數據進行推理的能力。”
給機器科學家
展望未來 該團隊正在探索該框架如何幫助指導實驗設計。通過選擇收集哪些數據來更有效地揭示系統的結構。他們還計劃將該方法應用於更豐富形式的數據，包括來自複雜生物系統的視頻、音頻和信號。
這項研究支持陳在通用機器人實驗室的長期目標，即培養有助於自動化科學發現的“機器科學家”。通過將現代人工智能與動態系統的數學語言聯繫起來。因此，這項工作指出了人工智能不僅僅能夠識別模式的未來。它可能有助於揭示塑造物質世界和生命系統的基本規律。
這項工作得到了國家科學基金會研究生研究獎學金的支持。強大的陸軍研究實驗室項目（W911NF2320182、W911NF2220113）陸軍研究辦公室（W911NF2410405）、DARPA FoundSci 計劃（HR00112490372）和 DARPA TIAMAT 計劃（HR00112490419）。
項目網站： http://generalroboticslab.com/AutomatedGlobalAnalysis
影片: https://youtu.be/8Q5NQegHz50
通用機器人實驗室網站： http://generalroboticslab.com
