L’intelligenza artificiale scopre la fisica alternativa

Matrimoni latenti dalla nostra cornice colorata dalle variabili delle condizioni fisiche. Credito: Boyuan Chen / Columbia Engineering

nuovo[{” attribute=””>Columbia University AI program observed physical phenomena and uncovered relevant variables—a necessary precursor to any physics theory. But the variables it discovered were unexpected.

Energy, Mass, Velocity. These three variables make up Einstein’s iconic equation E=MC2. But how did Albert Einstein know about these concepts in the first place? Before understanding physics you need to identify relevant variables. Not even Einstein could discover relativity without the concepts of energy, mass, and velocity. But can variables like these be discovered automatically? Doing so would greatly accelerate scientific discovery.

This is the question that Columbia Engineering researchers posed to a new artificial intelligence program. The AI program was designed to observe physical phenomena through a video camera and then try to search for the minimal set of fundamental variables that fully describe the observed dynamics. The study was published in the journal Nature Computational Science on July 25.


L’immagine mostra un sistema dinamico caotico che ondeggia in movimento. Il nostro lavoro mira a identificare ed estrarre le variabili di stato minime necessarie per descrivere un tale sistema direttamente da filmati video ad alta dimensione. Credito: Yinuo Qin / Columbia Engineering

Gli scienziati hanno iniziato a fornire al sistema filmati video grezzi di fenomeni fisici di cui conoscevano già la soluzione. Ad esempio, hanno alimentato una videocassetta di un doppio pendolo oscillante noto per avere esattamente quattro “variabili di stato”: l’angolo e la velocità angolare di ciascuna delle braccia. Dopo diverse ore di analisi, l’IA è uscita con la sua risposta: 4.7.

“Pensavamo che questa risposta fosse abbastanza vicina”, ha affermato Hood Lipson, direttore del Creative Machines Laboratory presso il Dipartimento di ingegneria meccanica, dove il lavoro è stato svolto principalmente. “Soprattutto perché tutta l’IA a cui poteva accedere erano riprese video grezze, senza alcuna conoscenza di fisica o ingegneria. Ma volevamo sapere quali fossero effettivamente le variabili, non solo quante”.

Successivamente, i ricercatori hanno deciso di visualizzare le variabili effettive che il programma aveva identificato. L’estrazione delle variabili stesse era difficile perché il programma non poteva descriverle in alcun modo intuitivo che potesse essere compreso dagli esseri umani. Dopo qualche indagine, si scopre che due delle variabili scelte dal programma corrispondono vagamente agli angoli delle braccia, ma le altre due variabili rimangono un mistero.

“Abbiamo cercato di mettere in relazione le altre variabili con qualsiasi cosa potessimo pensare: velocità angolari e lineari, energia cinetica e potenziale, varie combinazioni di quantità note”, ha spiegato Boyuan Chen PhD ’22, ora assistente professore alla Duke University. “Ma sembra che niente corrisponda abbastanza.” Il team era fiducioso che l’IA avesse trovato un insieme valido di quattro variabili, perché stava facendo buone previsioni, “ma non capivamo ancora il linguaggio matematico di cui parlava”, ha spiegato.


Boyuan Chen spiega come un nuovo programma di intelligenza artificiale ha osservato i fenomeni fisici e ha rivelato variabili correlate, un precursore necessario di qualsiasi teoria fisica. Credito: Boyuan Chen / Columbia Engineering

Dopo aver convalidato una serie di altri sistemi fisici con soluzioni note, gli scienziati hanno inserito video di sistemi di cui non conoscevano la risposta esplicita. Uno di questi video mostrava un “ballerino dell’aria” che ondeggiava davanti a un deposito di auto usate locale. Dopo diverse ore di analisi, il programma ha restituito 8 variabili. Allo stesso modo, un video della lampada Lava 8 ha prodotto otto varianti. Quando hanno presentato un video delle fiamme dell’episodio Holiday Fireplace, il programma ha riportato 24 variabili.

Una domanda particolarmente interessante era se l’insieme di variabili fosse unico per ciascun sistema o se fosse prodotto un insieme diverso ogni volta che il programma veniva riavviato. “Mi sono sempre chiesto, se mai incontrassimo una razza aliena intelligente, scoprirebbero le stesse leggi della fisica che abbiamo noi, o descriverebbero l’universo in modo diverso?” disse Lipson. “Forse alcuni fenomeni sembrano vagamente complessi perché stiamo cercando di capirli usando l’insieme sbagliato di variabili”.

Negli esperimenti, il numero di variabili era lo stesso ogni volta che si riavviava l’IA, ma le variabili specifiche erano ogni volta diverse. Quindi sì, ci sono davvero modi alternativi per descrivere l’universo ed è molto probabile che le nostre scelte potrebbero non essere perfette.

Secondo i ricercatori, questo tipo di intelligenza artificiale potrebbe aiutare gli scienziati a scoprire fenomeni complessi la cui comprensione teorica non è in linea con la grande quantità di dati, campi che vanno dalla biologia alla cosmologia. “Anche se in questo lavoro abbiamo utilizzato i dati video, è possibile utilizzare qualsiasi tipo di origine dati array: array radar o[{” attribute=””>DNA arrays, for example,” explained Kuang Huang PhD ’22, who coauthored the paper.

The work is part of Lipson and Fu Foundation Professor of Mathematics Qiang Du’s decades-long interest in creating algorithms that can distill data into scientific laws. Past software systems, such as Lipson and Michael Schmidt’s Eureqa software, could distill freeform physical laws from experimental data, but only if the variables were identified in advance. But what if the variables are yet unknown?


Hod Lipson spiega come il programma AI sia riuscito a scoprire nuove variabili fisiche. Credito: Hod Lipson/Columbia Engineering

Lipson, che è anche la professoressa di innovazione di James e Sally Scapa, sostiene che gli scienziati potrebbero interpretare erroneamente o non comprendere molti fenomeni semplicemente perché non hanno un buon insieme di variabili per descrivere il fenomeno. Lipson ha osservato: “Per migliaia di anni, le persone hanno saputo che gli oggetti si muovono rapidamente o lentamente, ma solo quando il concetto di velocità e accelerazione è stato formalmente definito Newton ha scoperto la sua famosa legge del moto F = MA”. Le variabili che descrivono la temperatura e la pressione devono essere identificate prima di poter formulare le leggi della termodinamica, e così in ogni angolo del mondo scientifico. Le variabili sono un precursore di qualsiasi teoria. “Quali altre leggi ci mancano semplicemente perché non abbiamo le variabili?” ha chiesto Doe, che ha co-diretto il lavoro.

Il documento è stato anche co-autore di Sunand Raghupathi e Ishaan Chandratreya, che hanno contribuito a raccogliere i dati per le prove. Dal 1 luglio 2022, Boyuan Chen è assistente professore alla Duke University. Il lavoro fa parte di un’articolazione[{” attribute=””>University of Washington, Columbia, and Harvard NSF AI institute for dynamical systems, aimed to accelerate scientific discovery using AI.

Reference: “Automated discovery of fundamental variables hidden in experimental data” by Boyuan Chen, Kuang Huang, Sunand Raghupathi, Ishaan Chandratreya, Qiang Du and Hod Lipson, 25 July 2022, Nature Computational Science.
DOI: 10.1038/s43588-022-00281-6

READ  Il telescopio spaziale Hubble prende un'immagine speculare della galassia

We will be happy to hear your thoughts

Leave a reply

Altcoinews