最新新闻:

新机器学习理论提出了关于科学本质的问题

时间:2022-04-21 14:58:08来源:

一种可以准确预测太阳系中行星轨道的新颖计算机算法或一组规则,可以适用于更好地预测和控制等离子体的行为,这些等离子体为聚变设施提供了动力,聚变设施旨在在地球上收集为太阳提供能量的聚变能。和星星。

该算法由美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)的科学家设计,应用了机器学习(一种从经验中学习的人工智能(AI)形式)来进行预测。PPPL物理学家洪勤说:“通常在物理学中,您会进行观察,然后基于这些观察创建一个理论,然后使用该理论来预测新的观察。”“我正在做的就是用一种黑匣子代替此过程,这种黑匣子可以在不使用传统理论或法律的情况下产生准确的预测。”

秦(发音为“秦”)创建了一个计算机程序,他将过去对水星,金星,地球,火星,木星和矮行星谷神星的轨道观测的数据输入了计算机程序。然后,该程序与称为“服务算法”的其他程序一起,可以准确地预测太阳系中其他行星的轨道,而无需使用牛顿的运动定律和万有引力定律。“从本质上讲,我绕开了物理学的所有基本要素。我直接从数据转到数据,”秦说。“中间没有物理定律。”

PPPL物理学家洪琴在行星轨道的图像和计算机代码的前面。

该程序不会在偶然的准确预测下发生。美国能源部洛斯阿拉莫斯国家实验室的物理学家约书亚·伯比(Joshua Burby)说:“洪教授该程序是自然界用来确定任何物理系统动力学的基本原理。”在秦的指导下在普林斯顿大学学习。“收获是,该网络在目睹了很少的训练实例后才学习了行星运动定律。换句话说,他的代码确实在“学习”物理定律。

机器学习使诸如Google Translate之类的计算机程序成为可能。Google翻译会筛选大量信息,以确定将一种语言中的一个单词翻译成另一种语言中的单词的频率。这样,程序可以进行准确的翻译,而无需实际学习任何一种语言。

这个过程也出现在哲学思想实验中,例如约翰·塞尔(John Searle)的中文室。在那种情况下,一个不懂中文的人仍然可以通过使用一组代替理解的指令或规则将中文句子“翻译”成英语或任何其他语言。思想实验提出了一个问题,即从根本上讲什么意味着什么都应该理解,以及理解是否意味着除了遵循规则之外,头脑中还在发生其他事情。

秦的部分灵感来自牛津哲学家尼克·博斯特伦(Nick Bostrom)的哲学思想实验,即宇宙是计算机模拟。如果这是真的,那么基本的物理定律应该揭示出宇宙是由时空的单个小块组成的,就像视频游戏中的像素一样。秦说:“如果我们生活在仿真中,我们的世界必须是离散的。”Qin设计的黑匣子技术不需要物理学家从字面上相信模拟猜想,尽管它是基于这种思想来创建一个可以进行准确的物理预测的程序的。

与电影《黑客帝国》中描绘的世界相似,由此产生的像素化世界观被称为离散场论,该场论认为宇宙是由个体组成的,与人们通常创造的理论不同。尽管科学家通常会设计出有关物理世界行为方式的总体概念,但计算机只是在收集数据点的集合。

Qin和普林斯顿大学等离子体物理课程的研究生Eric Palmerduca现在正在开发方法,以离散场理论预测世界各地科学家进行的聚变实验中等离子体粒子的行为。使用最广泛的聚变设备是甜甜圈形托卡马克,将等离子体限制在强大的磁场中。

聚变是驱动太阳和恒星的力量,它以等离子体的形式结合光元素(由自由电子和原子核组成的热,带电状态,代表可见宇宙的99%),产生大量的能量。科学家们正在寻求在地球上复制核聚变,以提供几乎无穷无尽的电力供应。

秦说:“在磁聚变设备中,等离子体的动力学是复杂且多尺度的,对于我们感兴趣的特定物理过程,有效的控制规律或计算模型并不总是清楚的。”“在这些情况下,我们可以应用我开发的机器学习技术来创建离散场理论,然后应用此离散场理论来理解和预测新的实验观察结果。”

这个过程提出了有关科学本身性质的问题。科学家们不是要发展解释世界的物理学理论,而不是简单地积累数据吗?这不是物理学的基础理论,对解释和理解现象是必要的吗?

秦说:“我认为任何科学家的最终目标都是预测。”“您可能不一定需要法律。例如,如果我可以完美地预测一个行星轨道,则无需了解牛顿的引力和运动定律。您可能会争辩说,这样做比您了解牛顿定律要了解的少。从某种意义上说,这是正确的。但是从实际的角度来看,做出准确的预测并不能减少任何事情。”

机器学习还可以为更多的研究提供可能性。Palmerduca说:“这大大拓宽了您可以解决的问题范围,因为要做的只是数据。”

该技术还可以导致传统物理理论的发展。“尽管从某种意义上说,这种方法排除了这种理论的需要,但它也可以被视为通向一种理论的道路,”帕默杜卡(Palmerduca)说。“当您试图推论一个理论时,您希望拥有尽可能多的数据供您使用。如果获得了一些数据,则可以使用机器学习来填补该数据中的空白,或者扩展数据集。”

参考:洪琴,“机器学习和离散领域理论的服务”,2020年11月9日,《科学报告》。DOI:
10.1038 / s41598-020-76301-0

声明:文章仅代表原作者观点,不代表本站立场;如有侵权、违规,可直接反馈本站,我们将会作修改或删除处理。

图文推荐

热点排行

精彩文章

热门推荐