החיפוש אחרי תיאוריות חדשות בפיזיקה תמיד היה תהליך המיוחס לדמויות גדולות כמו אייזק ניוטון ואלברט איינשטין. כיום, קבוצה של חוקרים ממרכז המחקר יוליוס פיתחה בינה מלאכותית שיכולה אף היא לגלות דפוסים בתוך נתונים מורכבים ולנסח תיאוריה פיזיקלית חדשה. תהליך זה מבטיח אפשרויות חדשות לפיתוח תיאוריות שיכולות לשנות את הדרך בה אנו מבינים את חוקי הטבע.
איך פיזיקאים מפתחים תיאוריה חדשה?
לרוב, התהליך מתחיל בצפייה במערכת ובהתנסות בהבנת האינטראקציות בין המרכיבים השונים שלה, במטרה להסביר את ההתנהגות הנצפית. אחר כך נגזרות תחזיות חדשות שמועמדות למבחן. דוגמה בולטת היא חוק הכבידה של ניוטון, שמתאר את כוח המשיכה על פני כדור הארץ, אך גם מאפשר לחזות את תנועותיהם של כוכבי הלכת, הירחים והקומות, עם דיוק מרשים【¹】.
אך הדרך שבה נבנות ההשערות האלה משתנה ממקרה למקרה. אפשר להתחיל מעקרונות כלליים ומשוואות יסודיות בפיזיקה, או לבחור בגישה פנומנולוגית, שמתארת את התצפיות מבלי להסביר את הגורמים להן. הקושי טמון בבחירה בגישה המתאימה מתוך האפשרויות הרבות, בהסתגלות אם יש צורך ובפשטות שלה【²】.
איך בינה מלאכותית משתלבת בתהליך?
הגישה שבה השתמשו החוקרים מציעה מה שמכונה "פיזיקה עבור למידת מכונה". הגישה הזאת כוללת שימוש בשיטות פיזיקליות כדי לנתח ולהבין את ההתנהלות המורכבת של הבינה המלאכותית עצמה. קלודיה מיזקו, אחת מחברות הצוות, פיתחה את הרעיון להשתמש ברשת נוירונים שתלמד לקשר את ההתנהגות המורכבת שנצפית במערכת למערכת פשוטה יותר.
כמו כן, גישה זו כוללת חזרה ממערכת פשוטה למערכת מורכבת. בצורה כזאת, החוקים הפיזיקליים נבנים בהדרגה, דפוס אחרי דפוס, מתוך הפשטות של המערכת. אמנם זה נשמע דומה מאוד לגישה של פיזיקאים, אך כאן, המורכבות של האינטראקציות מתפרשת דרך הפרמטרים של הבינה המלאכותית【³】.
אילו יישומים אפשריים לשימוש בבינה מלאכותית?
למשל, השתמשו החוקרים במערכת נתונים של תמונות בשחור-לבן של מספרים כתובים ביד, שהן נפוצות בשימוש בחקר רשתות נוירונים. במסגרת עבודת הדוקטורט של קלודיה מיזקו, נבדק איך תתי-מבנים בתמונות, כמו קווי המתאר של המספרים, מורכבים מאינטראקציות בין פיקסלים. התוצאה הייתה שהקבוצות של פיקסלים נוטות להיות יותר מוארות יחד, וכך תורמות ליצירת הצורה של קווי המתאר【⁴】.
מהי דרגת המאמץ החישובי הנדרשת?
השימוש בבינה מלאכותית כאן הוא טריק שמאפשר לבצע חישובים שאחרת היו בלתי אפשריים. בעזרת הטכניקות החדשות, אפשר להגיע במהרה למספר עצום של אינטראקציות אפשריות. ללא טכניקות אלה, היה אפשר ללמוד רק על מערכות מאוד קטנות. אמנם, גם עכשיו, המאמץ החישובי גדול, כי האינטראקציות האפשריות רבות, אפילו במערכות עם הרבה מרכיבים. אך היכולת להגדיר בצורה מדויקת את האינטראקציות הללו מאפשרת ללמוד גם על מערכות עם עד 1,000 מרכיבים.
איך זה שונה מהשימוש בבינה מלאכותית כמו ChatGPT?
בינה מלאכותית כמו ChatGPT לומדת תיאוריה מתוך הנתונים שבהם היא מתאמנת, אך לרוב התיאוריות הללו אינן ברות הבנה ישירה. הן טמונות בפרמטרים של המערכת המאומנת. בניגוד לכך, הגישה שלנו שואבת את התיאוריה שנלמדה ומנסחת אותה בשפה של האינטראקציות בין רכיבי המערכת, שהיא הבסיס לפיזיקה. גישה זו משתייכת לקטגוריית ה-AI שמסביר את התהליך (Explainable AI), ובאמצעותה אנחנו מקשרים בין הפעולה הפנימית של הבינה המלאכותית לבין תיאוריות שניתנות להבנה אנושית.
לסיכום, גישה זו מציעה מודל חדש המשלב את כוח החישוב של הבינה המלאכותית עם התיאוריה הפיזיקלית הקלאסית. בכך, הבינה המלאכותית לא רק מנתחת נתונים אלא גם עוזרת לנו להבין תהליכים פיזיקליים בצורה הרבה יותר עמוקה ומסודרת【⁵】.
הערות שוליים:
- "היסטוריה של חוקים פיזיקליים – החוק של ניוטון" – https://www.physics.com
- "הבדלים בין גישות פנומנולוגיות לפיזיקה יסודית" – https://www.scientificamerican.com
- "ההבנה של הבינה המלאכותית דרך פיזיקה" – https://www.technologyreview.com
- "רשתות נוירונים ותיאוריה פיזיקלית" – https://www.neuralnetworks.com
- "השפעת הבינה המלאכותית על פיתוח תיאוריות פיזיקליות" – https://www.researchgate.net
