关于我们
热线电话?/div>

互联网 养老

当前位置:主页 > 互联网 养老 >

AI已经破解三体问题?Gary Marcus:你们想多了

发布时间:2020-10-30

前段时刻,「AI 破解三体问题」、「AI 哥白尼从头发现物理规则」的新闻充满各大媒体的头条,感觉 AI 如同立刻就要推翻物理学了。可是实践真的是这样吗?

为了回答这个问题,人工智能范畴专家 Gary Marcus 与核算机科学教授 Ernest Davis 一起宣布文章,剖析了最近热议的 AI 在物理范畴的「跨界研讨」,指出了其间的限制。

文章标明,AI 破解的所谓「三体问题」其实仅仅三体问题的一个特例,在一般三体问题的求解道路上都还有很长的路要走,更甭说其他更杂乱的四体、五体问题了。论文作者和媒体都有夸大其词的嫌疑。而所谓的「AI 哥白尼」更是一个噱头,AI 所做的作业并不是所谓的「发现」,而是一些核算作业,界说物理问题、「发现物理规则」这种事仍是需求人来完结。

以下是文章内容:

AI 能否自学物理规则? 深度神经网络 能否敏捷代替经典核算机?假如从最近的新闻头条标题来看,咱们离这一天好像现已不远了。

在最近一篇使用 AI 求解三体问题的报导中,媒体给出的标题是「用神经网络处理三体问题,速度提高 1 亿倍:机器学习为处理使用数学中的一大经典问题供给了全新的处理办法」。

上个月,一篇文章指出,神经网络能以 1 亿倍的速度处理三体问题。

在使用 AI 发现物理规则的报导中,一家媒体用到的标题是「有了机器学习,谁还需求哥白尼?」在关于此事的另一篇报导中,一位记者给出的标题是「AI 自学物理规则」,并将其描绘为「AI 和物理学中值得纪念的时刻,」「或许成为处理量子力学问题的要害所在。」

人类用了几个世纪来发现「地球绕着太阳转」,而神经网络只需求几个小时就能得出定论?

在媒体的报导中,AI 现已能够自学物理学了。

其实,这些说法和实践相去甚远。所有这些报导都源自最近的两项研讨,它们使用机器学习来探究行星运转的不同方面。两篇论文都是在测验风趣的立异,但二者的成果都没有那么振奋人心。

这两篇论文中夸张的观念,以及环绕它们进行的炒作,都是科学记者倾向于夸张 AI 和机器学习开展影响的体现。

与平常相同,在看到某个 AI 体系取得重大开展时,人们首要要问,「这个体系有什么用?」下面就来说说这两项研讨。

三体问题便是猜测三个物体在互相的引力作用下怎么运动的问题。

假如空间中只要两个物体,那么用牛顿证明过的规则就能解说它们的运动,即它们会依照一个圆、椭圆或双曲线的轨迹运动。

但牛顿和其他科学家也证明过,假如空间中有三个或以上的物体,它们之间的彼此运动就会变得反常怪异和杂乱。没有一个数学公式能标明这一运动,因而在一段较长的时刻里准确猜测物体的运动轨迹变得十分困难。

三百年来,寻觅求解三体问题的优异核算办法一直是困扰核算物理学家的一大难题。

有关「AI 处理三体问题」的 文章 出自 arXiv 上一篇名为《Newton vs The Machine: Solving The Chaotic Three-Body Problem Using Deep Neural Networks》的论文。

一般来说,技能论文要比媒体文章谦逊许多。但作为一篇技能论文,这篇文章仍是显得「狼子野心」。论文的终究一部分写道,他们猜测这项为一个狭隘事例开发的技能会扩展到一般三体问题,并终究用于处理四体、五体问题及其他混沌体系问题,这或许掀起一场巨大的革新。

但问题在于,作者并未给出有说服力的依据来证明这一点。其实,他们的研讨乃至还没有到掩盖当下三体问题的完好规模。 相反,他们仅仅着眼于三体问题的一个特例,即三个质量相同的粒子从特定方位开端运动,且初始速度为零。

不仅如此,他们还彻底依托于传统的物理引擎或模拟器,也便是说, 没有 AI,没有机器学习,只要对运动微分方程的传统数值解法 ,从 10000 个不同的起始点生成运动轨迹。

接下来,他们用这个数据库作为输入来练习神经网络,然后在新的样本上测验该网络。成果发现,该神经网络能够以合理的准确率猜测粒子的方位,而且速度比传统模拟器快几个数量级。

本质上来说,他们是将神经网络作为一种新的东西,从已知的值中进行插值,而这些已知的值是使用外部经典体系算出的。与其他技能比较,神经网络或许更擅长于值的滑润空间插值问题,但大部分作业都是由外部先验体系完结的。而且,重要的是,他们没有证明相同的插值办法在其他更杂乱的实践国际物理问题中相同见效,即便在最简略的状况下的证明都没有,更不用说大于三的多体问题了。

一起,从技能上来讲,即便关于三体问题,他们处理的这类问题也仅仅一个简略的子集。在他们所处理的有限问题子会集,你只能决议第三个物体相关于前两个物体的相对方位。在完好的三体问题中,你还能够挑选第二和第三个物体的质量及初始速度,这些挑选中的每一个都能够从根本上改动体系随时刻改变的运动轨迹。

咱们知道,这种问题的杂乱程度会跟着自由度数量的添加而呈指数级添加。因而他们所处理的问题的难度并不是一般多体问题的 1/5 那么简略。而且,跟着粒子数量的添加,状况会敏捷变得杂乱起来:四体问题有 17 个自由度,五体问题有 24 个自由度,n 体问题 7n-11 个自由度……

其次,假如只需求考虑两个自由度,那么核算 1 万个数据点就能够很好地掩盖。就像你要制作出山的形状,那么你只需求测出 10,000 个点的海拔高度,就能够十分可靠地估算出这两个点之间任一点的海拔。可是,跟着维数的添加,作业会变得愈加杂乱,滑润插值的或许性也随之下降。

第三,高度依托初始条件,两种稍微不同的初始条件都或许导致彻底不同的成果。这不是你所用的算法的限制,而是这类问题的固有特点。所以宣称机器学习能够猜测较长时刻内的混沌体系状况就比如说它现已能够猜测热噪声、放射性衰变这样的随机行为,不管用哪种算法,都是做不到的。大多数媒体疏忽了这一点。

一篇原载于 Popular Mechanics 的文章《Why Is the Three-Body Problem Unsolvable?》提出了这一点,当初始条件变得杂乱时,定论尚有评论的空间。

文章链接:https://www.popularmechanics.com/science/a29714375/three-body-problem-unsolvable/

终究,论文中比较的目标也有缺点。纽约大学数学系的 Jonathan Goodman 是动力学体系的专家,他标明,现代自适应办法能够比论文中引证的时序办法更快地核算这些轨迹,传统的模拟器没有多大用。

哥白尼项目的状况也好不到哪儿去。

行将宣布在《Physical Review Letters》上的一份研讨标明,研讨者构建了一种神经网络,能够将物理过程中的数据作为输入,从中提取决议性的要害参数。他们描绘了四个触及简略物理体系的试验,这些神经网络看起来作用很好。

这项「在地理学范畴从头发现哥白尼体系」的研讨一度使得群众媒体兴奋不已。

但问题在于,神经网络揣度出「地球和火星环绕太阳运转」的说法彻底是一种误导。实践上,神经网络无法了解谁是环绕谁运转的,它没有几许感知才干,也不知道旋转意味着什么。在这里,神经网络所做的便是通过核算取得两个数值参数,它并不知道这些数字代表了对固定中心点的视点。

就神经网络而言,这些或许是随时刻改变的质量、电荷,或许是来自两个不同中心点的视点。机器取得了数据源之间的相关性,可是却无法揣度这些数据源与国际之间的联系。是人类科学家将其识别为从太阳丈量的地球和火星的视点,并笼统出这样的实践:这些数值应该被解说为轨迹。哥白尼发现的作业,实践上现已被事前完结了, 这个体系仅仅一个核算器,而不是一个物理规则发现者。

此外,在作者生成的组成数据中,地球和火星在同一平面上以稳定速度绕圆形轨迹运转。在实践的太阳系中,状况压根就不是这样:火星的轨迹平面相关于地球的轨迹倾斜了 1.8 度。因而,火星关于固定方位恒星的运转方法不仅是一个东西向的圆,就像两个轨迹共面时相同,也会以大约 4 度的视点南北偏转。通过数年调查,火星在天空中的方位并不会是简略的圆形途径,它应该存在于 4 宽度的矩形空域中。哥贝尼真实的应战要比神经网络处理的内容杂乱得多。

火星视点: 火星在距黄道平面最远的方位。 此刻,从太阳到火星的直线与黄道平面之间的夹角α= 1.8 度。 当火星在此处时,地球的方位每年都在改变。 Earth是地球最接近火星方位的方位;

上一篇:很多年轻人,并不爱银行

下一篇:没有了

返回列表