Naujas kompiuterinis algoritmas arba taisyklių rinkinys, tiksliai numatantis Saulės sistemos planetų orbitas, galėtų būti pritaikytas ir numatyti bei kontroliuoti plazmos elgesį branduolinės sintezės įrenginiuose.
JAV energetikos departamento (U.S. Department of Energy, DOE) Prinstono plazmos fizikos laboratorijos mokslininko sukurtas algoritmas, naudojantis mašininį mokymąsi – dirbtinio intelekto formą, kuri mokosi iš pateikiamų duomenų – gali padėti kurti ir prognozes.
„Paprastai fizikoje mes atliekame stebėjimus, sukuriame teoriją, paremtą tais stebėjimais, ir tada tikriname tą teoriją – ją naudojame naujiems stebėjimams nuspėti, arba žiūrime, ar ši teorija paaiškina naujus stebėjimų duomenis“, – teigia Prinstono laboratorijos fizikas Hong Kinas (Hong Qin). „Aš kiek pakeičiau procesą, pasinaudodamas juodosios dėžės principu – tai yra jei į ją siunčiame tik duomenis, nenaudojant jokios žinomos teorijos ar dėsnių, ar galima būtų gauti tikslias prognozes, remiantis tik šiais pateiktais duomenimis.“
Hong Kinas sukūrė kompiuterinę programą, kuriai pateikė Merkurijaus, Veneros, Žemės, Marso, Jupiterio ir nykštukinės planetos Cereros judėjimo savo orbitomis duomenis. Tada ši programa kartu su papildoma programa, vadinama „aptarnaujančiu algoritmu“, tiksliai numatė kitų Saulės sistemos planetų orbitas, nenaudodama Niutono judėjimo ir gravitacijos dėsnių.
„Iš esmės pavyko nenaudoti jokių fizikos dėsnių ir formulių. Tiesiogiai iš duomenų buvo gauti kiti duomenys. Juodojoje dėžėje nebuvo fizikos“
„Iš esmės pavyko nenaudoti jokių fizikos dėsnių ir formulių. Tiesiogiai iš duomenų buvo gauti kiti duomenys. Juodojoje dėžėje nebuvo fizikos“, – sakė Hong Kinas.
Programa tiksliai numatė kitų planetų orbitas neatsitiktinai. Ji pradžioje „mokėsi“ suprasti fizinės sistemos dinamiką.
Neuroninis tinklas „mokėsi“ planetų judėjimo dėsnių, gavęs jų judėjimo duomenis. Kitaip tariant, jo kodas tarsi „išmoksta“ fizikos dėsnius. Taip ir žmogus, kelis kartus metęs akmenį ar iššovęs iš lanko strėlių, po keliolikos mėginimų gana gali gana tiksliai numatyti, kur nukris akmuo ar įsmigs strėlė, visai nežinodamas, kas yra Žemės trauka ar oro pasipriešinimas.
Mašininis mokymasis suteikia galimybę naudotis ir tokiomis kompiuterio programomis kaip „Google Translate“. „Google Translate“ vertėjas gauna milžiniškus kiekius informacijos, iš kurios nustato, kaip dažnai vienas žodis ar jų junginys viena kalba buvo išverstas į kitą kalbą. Tokiu būdu programa gali atlikti gana tikslų vertimą, tiesą sakant, nemokėdama nei vienos kalbos.
Tai aprašoma ir mąstymo eksperimentuose, pavyzdžiui, Džono Searlo (Johno Searle) vadinamajame Kiniškame kambaryje. Jis teigia, kad asmuo, nemokantis kinų kalbos, galėtų „išversti“ kinų kalbos sakinį į anglų ar bet kurią kitą kalbą, naudodamasis instrukcijų ar taisyklių rinkiniu, kuris pakeistų kalbos žinojimą.
Hong Kiną įkvėpė ir kitas Oksfordo filosofo Niko Bostromo (Nick Bostrom) mintinis eksperimentas, teigiantis, kad Visata yra tik milžiniškas kompiuterinis modelis. Jei tai būtų tiesa, pagrindiniai fizikos dėsniai turėtų atskleisti, kad Visata susideda iš atskirų erdvės-laiko dalelių, panašių į vaizdo žaidimo pikselius.
Tokie mintiniai eksperimentai kelia ir filosofinių klausimų, ką iš esmės reiškia supratimas, ar žinojimas yra tik tam tikrų išmoktų taisyklių laikymasis, ar mintyse vyksta ir kažkas kita.
„Jei gyvename simuliacijoje, mūsų pasaulis turi būti diskretus“, – teigia Kinas. „Juodosios dėžės metodas nereikalauja, kad tiesiogiai būtų tikima Visatos kaip kompiuterinio modelio teorija, tačiau būtent šia idėja ir remiamasi, kuriant dirbtinio intelekto programą, kuri galėtų numatyti prognozes“.
Pikselinis pasaulio vaizdas, panašus į tokį, koks vaizduojamas filme „Matrica“, yra vadinamas ir diskretaus lauko teorija, kuri Visatą vertina kaip susidedančią iš atskirų taškų, ir skiriasi nuo įprastinių teorijų, kuomet reiškinius bandoma aprašyti formulėmis, siejančiomis skirtingus parametrus. Jei mokslininkai paprastai kuria fizinio pasaulio elgsenos koncepcijas, kompiuteriai tiesiog analizuoja duomenų rinkinius.
Prinstono universiteto plazmos fizikos laboratorijos darbuotojai dabar kuria būdus, kaip panaudoti tokią diskretaus lauko teoriją, kad būtų galima numatyti plazmos dalelių elgesį branduolinės sintezės eksperimentuose.
„Branduolinės sintezės įrenginiuose plazmos dinamika yra sudėtinga, juose vykstančių fizinių procesų dėsniai nėra pilnai žinomi, o kompiuteriniai modeliai ir sudėtingi, ir ne visada aiškūs“, – sako Hong Kinas. „Šiems procesams galėtume pritaikyti diskretaus lauko teoriją ir mašininio mokymosi metodiką, ir pažiūrėti, ar gauti rezultatai atitiks naujus eksperimentinius stebėjimus“.
Tačiau toks metodas iškelia ir klausimų apie patį mokslo pobūdį. Argi mokslininkai nenori kurti fizikos teorijų, kurios paaiškintų pasaulį, užuot tiesiog kaupę ir analizavę duomenis? Ar teorijos nėra fundamentinis mokslo pagrindas, reikalingas paaiškinti ir suprasti reiškinius?
Tačiau praktiniu požiūriu tikslių prognozių pateikimas yra tai, ko reikia, ir ne taip svarbu, ar tai buvo apskaičiuota remiantis dėsniais ar kaip kitaip
„Manyčiau, kad pagrindinis bet kurio mokslininko tikslas yra prognozavimas“, – sako Hong Kinas. „Jums gali nebūtinai reikėti dėsnio. Pavyzdžiui, jei aš galiu apskaičiuoti planetos orbitą, pasinaudodamas duomenų analize, man nereikia žinoti Niutono gravitacijos ir judėjimo dėsnių. Galėtume teigti, kad tai darydami mes suprastumėme mažiau, nei žinodami Niutono dėsnius. Tam tikra prasme tai yra teisinga. Tačiau praktiniu požiūriu tikslių prognozių pateikimas yra tai, ko reikia, ir ne taip svarbu, ar tai buvo apskaičiuota remiantis dėsniais ar kaip kitaip“.
Mašininis mokymasis taip pat gali atverti ir daugiau tyrimų galimybių, nes tuomet viskas, ko reikia, yra duomenys.
Šis metodas taip pat galėtų padėti sukurti ir pačias fizikos teorijas. „Nors tam tikra prasme šis metodas atmeta patį fizikos dėsnių poreikį, jis taip pat gali būti vertinamas ir kaip kelias link jų“.
„Kai bandome sukurti teoriją, norėtume, kad mūsų žinioje būtų kuo daugiau duomenų. Jei jų yra ribotas kiekis, galima naudoti mašininį mokymąsi, kad užpildyti duomenų spragas ar išplėsti duomenų rinkinį.“
Daugiau:
Dirbtinis intelektas – tarp mitų ir tikrovės
Vilniaus universitete įkurta Dirbtinio intelekto laboratorija
Savarankiškai besimokantis dirbtinis intelektas tampa dar protingesnis
Pirmoji pasaulyje baltymus generuojanti dirbtinio intelekto (DI) sistema testuojama Lietuvoje
Kas pakeis dabartinę elektroninę atmintį?
Dirbtinio intelekto pagrindu kuriama sistema širdies ūminės pažaidos diagnostikai
Nauji dirbtinio intelekto „AlphaZero“ pasiekimai
Šaltinis: Phys.org: New machine learning theory raises questions about nature of science