איינשטיין הבא: בינה מלאכותית חדשה יכולה לפתח תיאוריות חדשות לפיזיקה

פיתוח של תיאוריה חדשה קשור בדרך כלל לגדולי הפיזיקה. אפשר לחשוב על אייזק ניוטון או אלברט איינשטיין, למשל. פרסי נובל רבים כבר הוענקו על תיאוריות חדשות. חוקרים ב-Forschungszentrum Jülich תכנתו כעת בינה מלאכותית ששלטה גם בהישג הזה.

ה-AI שלהם מסוגל לזהות דפוסים במערכי נתונים מורכבים ולנסח אותם בתיאוריה פיזיקלית. פיתוח של תיאוריה חדשה קשור בדרך כלל לגדולי הפיזיקה. אפשר לחשוב על אייזק ניוטון או אלברט איינשטיין, למשל. פרסי נובל רבים כבר הוענקו על תיאוריות חדשות. חוקרים ב-Forschungszentrum Jülich תכנתו כעת בינה מלאכותית ששלטה גם בהישג הזה. ה-AI שלהם מסוגל לזהות דפוסים במערכי נתונים מורכבים ולנסח אותם בתיאוריה פיזיקלית.

בראיון הבא, פרופ' מוריץ הליאס מהמכון לסימולציה מתקדמת של Forschungszentrum Jülich (IAS-6) מסביר על מה ה"פיזיקה של AI" ובאיזה מידה היא שונה מגישות קונבנציונליות.

איך הפיזיקאים מעלים תיאוריה חדשה?

בדרך כלל אתה מתחיל בתצפיות על המערכת לפני שאתה מנסה להציע כיצד מרכיבי המערכת השונים מתקשרים זה עם זה כדי להסביר את ההתנהגות הנצפית. לאחר מכן נגזרות מכך תחזיות חדשות ומובאות למבחן. דוגמה ידועה היא חוק הכבידה של אייזק ניוטון. זה לא רק מתאר את כוח הכבידה על כדור הארץ, אלא הוא יכול לשמש גם כדי לחזות את תנועותיהם של כוכבי לכת, ירחים ושביטים – כמו גם את מסלוליהם של לוויינים מודרניים – בצורה מדויקת למדי.

עם זאת, הדרך שבה מגיעים להשערות כאלה תמיד שונה. אתה יכול להתחיל עם עקרונות כלליים ומשוואות בסיסיות של הפיזיקה ולהפיק מהם את ההשערה, או שאתה יכול לבחור בגישה פנומנולוגית, להגביל את עצמך לתיאור תצפיות בצורה מדויקת ככל האפשר מבלי להסביר את הסיבות להן. הקושי טמון בבחירת גישה טובה מבין הגישות הרבות האפשריות, התאמתה במידת הצורך ופישוטה.

באיזו גישה אתה נוקט עם AI?

באופן כללי, זה כרוך בגישה המכונה "פיסיקה עבור למידת מכונה". בקבוצת העבודה שלנו, אנו משתמשים בשיטות של פיזיקה כדי לנתח ולהבין את התפקוד המורכב של AI.

הרעיון החדש והמכריע שפיתחה קלאודיה מיזוג מקבוצת המחקר שלנו היה להשתמש תחילה ברשת עצבית שלומדת למפות במדויק את ההתנהגות המורכבת שנצפתה למערכת פשוטה יותר. במילים אחרות, ה-AI שואף לפשט את כל האינטראקציות המורכבות שאנו רואים בין רכיבי המערכת. לאחר מכן אנו משתמשים במערכת הפשוטה ויוצרים מיפוי הפוך עם ה-AI המאומן. אם נחזור מהמערכת המפושטת למערכת המורכבת, אנו מפתחים את התיאוריה החדשה. בדרך חזרה, האינטראקציות המורכבות נבנות חלק אחר חלק מהפשטות שבהן. בסופו של דבר, לכן הגישה לא כל כך שונה מזו של פיזיקאי, כשההבדל הוא שהאופן שבו האינטראקציות מורכבות נקרא כעת מהפרמטרים של ה-AI. פרספקטיבה זו על העולם – המסבירה אותו מאינטראקציות בין חלקיו השונים העוקבים אחר חוקים מסוימים – היא הבסיס של הפיזיקה, ומכאן המונח "פיזיקה של AI".

באילו יישומים נעשה שימוש בבינה מלאכותית?

השתמשנו במערך נתונים של תמונות בשחור-לבן עם מספרים בכתב יד, למשל, המשמש לעתים קרובות במחקר בעת עבודה עם רשתות עצביות. במסגרת עבודת הדוקטורט שלה, קלאודיה מיזוג חקרה כיצד תתי מבנים קטנים בתמונות, כמו קצוות המספרים, מורכבים מאינטראקציות בין פיקסלים. נמצאות קבוצות של פיקסלים שנוטות להיות בהירות יותר יחד ובכך תורמות לצורת קצה המספר.

כמה גבוה המאמץ החישובי?

השימוש ב-AI הוא טריק שמאפשר את החישובים מלכתחילה. אתה מגיע מהר מאוד למספר גדול מאוד של אינטראקציות אפשריות. בלי להשתמש בטריק הזה, אתה יכול להסתכל רק על מערכות קטנות מאוד. עם זאת, המאמץ החישובי הכרוך עדיין גבוה, מה שנובע מהעובדה שקיימות אינטראקציות אפשריות רבות גם במערכות עם רכיבים רבים. עם זאת, אנו יכולים להגדיר ביעילות את האינטראקציות הללו כך שנוכל לצפות כעת במערכות עם כ-1,000 רכיבים המקיימים אינטראקציה, כלומר אזורי תמונה עם עד 1,000 פיקסלים. בעתיד, מערכות הרבה יותר גדולות אמורות להיות אפשריות גם באמצעות אופטימיזציה נוספת.

במה גישה זו שונה מ-AI אחרים כמו ChatGPT?

AI רבים שואפים ללמוד תיאוריה של הנתונים המשמשים לאימון ה-AI. עם זאת, לא ניתן לפרש את התיאוריות שה-AI לומדים בדרך כלל. במקום זאת, הם מוסתרים באופן מרומז בפרמטרים של ה-AI המאומן. לעומת זאת, הגישה שלנו מחלצת את התיאוריה הנלמדת ומנסחת אותה בשפת האינטראקציות בין מרכיבי המערכת, העומדת בבסיס הפיזיקה. לכן הוא שייך לתחום של AI בר-הסבר, במיוחד "הפיזיקה של AI", מכיוון שאנו משתמשים בשפת הפיזיקה כדי להסביר את מה שה-AI למד. אנו יכולים להשתמש בשפה של אינטראקציות כדי לבנות גשר בין הפעולה הפנימית המורכבת של AI לבין תיאוריות שבני אדם יכולים להבין.