Новый искусственный интеллект видит простые правила там, где люди видят только хаос

Новый искусственный интеллект, разработанный американскими специалистами, изучает эволюцию систем во времени и сводит тысячи переменных к компактным и простым уравнениям, точно описывающим поведение систем в реальных условиях. Метод может найти применение в физике, технике, климатологии и биологии. А для учёных это может стать инструментом изучения систем, для которых традиционные уравнения недоступны или слишком сложны.

Что отличает новый подход, так это его способность работать со сложными системами, сложность которых намного превышает человеческие возможности. ИИ может обрабатывать нелинейные системы, включающие сотни или даже тысячи взаимодействующих переменных, и сводить их к более простым правилам с гораздо меньшим количеством измерений.

«Научные открытия всегда зависели от поиска упрощенных представлений сложных процессов», — сказал Боюань Чен, директор Лаборатории общей робототехники и доцент кафедры машиностроения и материаловедения семьи Дикинсон в Университете Дьюка. – У нас все больше появляется необработанных данных, необходимых для понимания сложных систем, но нам не хватает инструментов, чтобы превратить эту информацию в упрощенные правила, на которые полагаются ученые. Преодоление этого разрыва имеет решающее значение».

Классический пример упрощения — расчет траектории пушечного ядра. Это зависит от многих факторов, включая начальную скорость и угол, сопротивление воздуха, переменный ветер и даже температуру окружающей среды. Однако в упрощенной форме его можно описать простым линейным уравнением, учитывающим только скорость и угол.

Почти столетие назад математик Бернард Купман показал, что сложные нелинейные системы можно представить математически с помощью линейных моделей. Однако представление очень сложных систем с использованием линейных моделей часто требует формулировки сотен или даже тысяч уравнений, каждое из которых включает в себя разные переменные. Новая платформа искусственного интеллекта основана на идее Купмана и потенциально может решить эту проблему, сообщает Science Daily.

Методика, предложенная учеными Университета Дьюка, анализирует временные ряды данных экспериментов и выявляет наиболее значимые закономерности изменений в системе. Он сочетает в себе глубокое обучение с ограничениями, основанными на физике, чтобы сузить систему до гораздо меньшего набора переменных, которые по-прежнему отражают ее основное поведение. Результатом является компактная модель, которая математически ведет себя как линейная система, оставаясь при этом верной сложностям реального мира.

Чтобы проверить свой подход, исследователи применили его к широкому спектру систем: от колебательного движения маятника до нелинейного поведения электрических цепей. Несмотря на большое разнообразие этих систем, искусственный интеллект постоянно выявляет небольшое количество скрытых переменных, определяющих их поведение.

Во многих случаях полученные модели более чем в 10 раз компактнее моделей, созданных с помощью ранних методов машинного обучения, и при этом обеспечивают надежные долгосрочные прогнозы.

Более того, способ не ограничивается прогнозированием. Он может определять стабильные состояния, известные как аттракторы, в которых система естественным образом стабилизируется с течением времени. Распознавание этих состояний имеет решающее значение для определения того, что происходит с системой: работает ли она нормально, медленно колеблется или приближается к нестабильности.