物理学者が現実世界を理解するために使用するAIトリックを教えた後、非常に強力なマシンが作成されます。
ガリレオがピサの斜塔でランプの揺れをどのように観察し、脈に関連してそれを測定したかについての有名な物語があります。 彼は周期が一定であり、振幅に依存しないという結論に達しました。
ガリレオは振り子が時計を制御できることを示唆し、後に同様のデバイスを開発しましたが、 ホイヘンスはガリレオの死後15年でこのタイプの最初の時計を製作しました。
ガリレオの天才は、空気抵抗、温度、明滅する光、騒音、他の人など、考慮に入れることができる不快な詳細をすべて無視しました。 彼は、最も顕著な特徴に集中し、その期間のみを使用して、スイングランプの最も単純なモデルを検討しました。
多くの歴史家は、ガリレオのアプローチが科学的方法の進化の最も早い段階であると信じています-飛行、量子理論、電子計算機、一般相対性理論および人工知能を与えたプロセス。
近年、AIシステムはデータの興味深いパターンを見つけ始め、物理学の特定の法則を独立して導き出しさえしています。 しかし、これらの場合、AIは常に現実世界の気晴らしから隔離された特定のデータセットを研究してきました。 これらのAIシステムの機能は、ガリレオのような人々の機能には届きません。
これは興味深い質問を提起します：ガリレオがしたように、彼女が観察する世界のさまざまな側面を説明するために必要な情報に集中して、理論を開発するAIシステムを開発することは可能ですか？
今日、タイリン・ウーの仕事とマサチューセッツ工科大学のマックス・テグマークのおかげで、私たちはその答えを知っています。 彼らはAIを開発し、ガリレオのアプローチと物理学者が何世紀にもわたって学んだ他のいくつかのトリックをコピーしました。 彼らのAI物理学者システムは、私たちの宇宙の複雑さをシミュレートするために特別に作成された、神秘的な世界で物理学のいくつかの法則を導き出すことができます。
ウーとテグマークは、現代のAIの重大な弱点を特定することから始めました。 大規模なデータセットでは、通常、セット全体を支配する統一理論を探します。 ただし、データセットが大きく断片化されるほど、実行が難しくなります。 現在のAIでは、大聖堂で物理学の法則を検索することは不可能です。
この問題に対処するために、物理学者はタスクを簡素化するさまざまな考え方を使用します。 1つ目は、データのごく一部を記述する理論を開発することです。 その結果、量子力学や相対性理論など、データのさまざまな側面を説明するいくつかの理論が得られます。 WuとTegmarkは、同じ方法で大きなデータセットに似るようにAI物理学者を設計しました。
物理学者のもう1つの基本的なルールは、オッカムの剃刀、または単純なアイデアの優位性のアイデアです。 したがって、物理学者は、宇宙または地球を作成した作成者を必要とする理論を拒否します。作成者の存在は、その性質または起源に関する独自の一連の質問を引き起こします。
AIは、トレーニング対象のデータを記述する非常に複雑なモデルを作成する傾向があることが知られています。 したがって、WuとTegmarkは、複雑な理論よりも単純な理論を好むようにシステムをトレーニングしました。 彼らは、理論がカバーする情報量に基づいた複雑さの単純な尺度を使用しました。
物理学者のもう1つの有名なトリックは、理論を統一する方法を探すことです。 1つの理論が2つのタスクに対処できる場合、それはおそらくより優れています。 これにより、物理学者はすべてを支配する1つの法則を検索するようになりました（ただし、このような理論の存在を示す実際の証拠は事実上ありません）。
物理学者の研究に役立った最後の原則：何かが以前に機能していれば、将来のタスクでも機能することができます。 したがって、WuとTegmarkのAI物理学者は、得られた問題の解決策を記憶し、将来のタスクに適用しようとします。
これらのテクニックを武器に、ウーとテグマークはAI物理学者を仕事に送りました。 彼らは物理の法則に支配され、場所から場所へと変化する40の神秘的な世界を開発しました。 これらの世界の1つでは、放棄されたボールは、重力の影響下で電磁ポテンシャルによって制御される領域に落ち、その後、調和ポテンシャルによって制御される領域などに落ちます。
ウーとテグマークは、彼らのAI物理学者がボールの動きを単に研究するだけで、対応する物理法則を導き出すことができるかどうか疑問に思いました。 彼らは、AI物理学者の振る舞いと、「新生児物理学者」の振る舞いを、同様のアプローチを使用しますが、学習機会はなく、古典的なニューラルネットワークの仕事と比較しました。
AI物理学者と「新生児物理学者」の両方が正しい法則を導き出すことができることがわかります。 「両方の被験者は、40の神秘的な世界すべての90％以上を理解することができます」と彼らは言います。
AI物理学者の「新生児」に対する主な利点は、学習プロセスの加速と、より小さなデータセットの必要性です。 「経験豊富な科学者は、新しい問題を初心者よりも早く解決でき、同様の問題に関する既存の知識に頼ることができるようです」とWuとTegmarkは言います。
彼らのシステムは、通常のニューラルネットワークよりもはるかにうまく機能します。 「私たちのAI物理学者は通常、学習が速く、同様の複雑さの標準的な直接作用型ニューラルネットワークよりも数十倍小さい予測標準誤差を生成します」と彼らは言います。
これは、AIが科学の進歩に大きく影響する可能性があることを示唆する印象的な作品です。 もちろん、実際のテストは、AI物理学者を実現させ、たとえばピサの大聖堂に入れて、機械式時計の動作原理を表示するかどうかを確認することです。 または、経済学者、生物学者、気候学者を困惑させるデータなど、他の複雑なデータにそれを投げかけます。 これは明らかにこのようなシステムの単純なタスクです。
そして、AI物理学者の仕事が成功すれば、科学史家はそれをガリレオと彼の仲間の人間の時代からの科学的方法の進化における新しい時代の最初のステップと考えることができるでしょう。 彼女が私たちをどこに導くことができるのか誰も知りません。