L'intelligenza artificiale sta scoprendo la propria fisica "fondamentale" e gli scienziati sono sconcertati

La fisica è una delle discipline scientifiche più rigorose e rigide, piena di lunghe equazioni e misurazioni complesse che devono essere eseguite nel modo giusto per rivelarne i segreti. Tuttavia, prima ancora che l’equazione più semplice fosse messa insieme, gli scienziati hanno dovuto scoprire un predecessore cruciale delle equazioni scritte: le variabili di un sistema.

Prendiamo la grande equazione fondamentale della forza di Newton: F=MA. Prima che una simile equazione potesse essere composta, Newton doveva prima comprendere i concetti di accelerazione, massa e forza. Questo è un compito che non ha un percorso ben definito da seguire, ha detto a Motherboard Hod Lipson, professore di ingegneria e scienza dei dati della Columbia University.

"È un'arte, non esiste un modo sistematico", afferma Lipson. "È quasi come se scoprissi l'alfabeto? Succede semplicemente in modo organico."

Al Creative Machines Lab di Lipson, lui e i suoi colleghi vogliono capire meglio come avviene questo processo di scoperta e come può essere migliorato utilizzando l'apprendimento automatico per scoprire fisica alternativa nascosta che gli scienziati umani potrebbero non aver notato.

Per fare questo, Lipson e colleghi hanno progettato un algoritmo di machine learning capace di studiare fenomeni fisici “guardando” video, come l’oscillazione di un doppio pendolo o lo sfarfallio di una fiamma, e producendo il numero di variabili necessarie per spiegare l’azione . Per i sistemi noti, l'algoritmo è stato in grado di prevedere il numero corretto di variabili entro 1 valore (ad esempio 2,05 variabili per descrivere un singolo pendolo invece di 2) e persino di fare previsioni variabili per sistemi sconosciuti. I risultati sono stati pubblicati la scorsa settimana in uno studio intitolato “Scoperta automatizzata di variabili fondamentali nascoste nei dati sperimentali” sulla rivista Nature Computational Science.

Sebbene questo algoritmo non sia il primo a studiare i dati e a cercare di estrarne una relazione fisica, Lipson afferma che questo lavoro si distingue perché è il primo a non fornire all’algoritmo alcuna informazione sul numero o sul tipo di variabili previste in un sistema. Per questo motivo, il sistema non si limita a cercare variabili solo attraverso una lente umana, che secondo Lipson potrebbe essere cruciale per scoprire la fisica nascosta all’interno di questi sistemi.

"Non è che le persone lavorino giorno e notte per cercare queste variabili e questo può accelerare il processo", spiega Lipson.

"Il problema è che probabilmente stiamo trascurando molte cose", continua. "Ma dipende così tanto da queste variabili che abbiamo pensato che se avessimo potuto sfruttare un po' di potenza dell'intelligenza artificiale, forse avremmo scoperto cose che sarebbero estremamente utili e avrebbero cambiato il nostro modo di pensare."

Per preparare il loro algoritmo al successo, Lipson e colleghi, incluso il primo autore dell'articolo e ora assistente professore di ingegneria alla Duke University, Boyuan Chen, hanno inserito video di movimento dinamico in una varietà di complessità. Ciò includeva movimenti noti come doppi pendoli e bastoni oscillanti, nonché movimenti non ancora compresi come lampade lava, fuochi tremolanti o ballerini gonfiabili.

Dopo aver studiato questi video, l’intelligenza artificiale ha tentato di modellare i fenomeni qualche passo nel futuro e creare un elenco di variabili sempre più piccole responsabili dell’azione. Infine, l’intelligenza artificiale emetterebbe il numero minimo di variabili richieste dal sistema per catturare con precisione il movimento.

Sebbene l’intelligenza artificiale abbia avuto un discreto successo nello scoprire il giusto numero di variabili, c’è un grosso problema che le impedirà di entrare presto nei laboratori scientifici. Può dire agli scienziati che esiste un certo numero di variabili in un sistema, ma attualmente non dispone di un linguaggio per descrivere quali siano tali variabili: ad esempio, ha restituito otto variabili per il "danzatore d'aria" e 24 per il camino. La spiegabilità è un obiettivo di ricerca di lunga data per i sistemi di intelligenza artificiale, che possono essere complesse scatole nere che rendono difficile per gli scienziati decodificare qualsiasi decisione specifica.

Questo è qualcosa di cui Chen non è troppo preoccupato, per il momento.