Новая теория машинного обучения не нуждается в законах физики
Фото:
Идеи

Новая теория машинного обучения не нуждается в законах физики

Новый компьютерный алгоритм, созданный учеными из США, не нуждается в законах физики для того, чтобы точно предсказывать движения планет Солнечной системы. Новый подход в корне меняет научную парадигму, но с практической точки зрения оказывается вполне эффективным. К примеру, его можно адаптировать для управления поведением плазмы в термоядерных реакторах.

«Обычно в физике вы делаете наблюдения, создаете теорию, основанную на этих наблюдениях, а затем используете ее для предсказания новых наблюдений, — сказал создатель алгоритма Цинь Хун из Лаборатории физики плазмы Министерства энергетики США. — Я же заменил этот процесс на черный ящик, который создает точные прогнозы без традиционной теории или законов».

Цинь разработал компьютерную программу, которую обучил с помощью данных прошлых наблюдений за орбитами Меркурия, Венеры, Земли, Марса, Юпитера и карликовой планеты Цереры. Вместе с вспомогательным алгоритмом она точно предсказывает орбиты других планет Солнечной системы без использования ньютоновских законов, пишет Phys.org.

«Фактически, я обошел все фундаментальные ингредиенты физики. Я пошел напрямую от данных к данным, — заявил Цинь. — В промежутке нет законов физики».

Однако точные предсказания получились у Циня не случайно. Он обучил алгоритм принципам, которые определяют динамику любых физических систем. В итоге нейросеть научилась законам движения планет, понаблюдав за небольшим числом примеров. Другими словами, его код действительно разобрался в законах физики.

Цинь черпал вдохновение в футурологической философии Ника Бострома, который предположил, что Вселенная может быть компьютерной симуляцией. Если это так, то фундаментальные законы физики должны раскрыть, что она состоит из отдельных отрезков пространства-времени, наподобие пикселей в видеоигре. Если мы живем в симуляции, наш мир должен быть дискретным, убежден Цинь.

Теория дискретного поля видит Вселенную как скопище отдельных частей и отличается от тех теорий, которые обычно создают люди. Тогда как ученые обычно придумывают всеобъемлющие концепции того, как ведет себя физический мир, компьютеры попросту собирают набор точек данных.

Цинь и его коллеги разрабатывают сейчас методы использования теорий дискретных полей для предсказания поведения частиц плазмы в экспериментах по получению термоядерной энергии. Ученые нескольких стран мира пытаются воспроизвести эту реакцию, которая происходит в центре звезд, в искусственных условиях, чтобы открыть источник безграничной энергии.

В термоядерных реакторах динамика плазмы настолько сложна и многопланова, что законы, которые ими управляют, не всегда ясны ученым. В такой ситуации можно применять методы машинного обучения для создания теории дискретного поля, чтобы понять и предсказать новые экспериментальные наблюдения.

Такой неортодоксальный процесс ставит под вопрос саму природу науки. Разве ученые не должны разрабатывать теории, объясняющие мир, а не просто накапливать данные? Разве теории не лежат в основе физики и не обязательны для понимания природных феноменов?

По мнению Циня, главная цель науки — предсказание. И понимание законов для этого не необходимо. К примеру, если можно точно спрогнозировать орбиту планеты, нет нужды знать законы Ньютона. Конечно, в таком случае мы поймем меньше, чем если бы хорошо понимали законы движения. Но с практической точки зрения, ценность прогноза от этого не уменьшилась бы. И новый подход к машинному обучению дает физике такие возможности.