Разработанный специалистами из США новый ИИ изучает эволюцию систем во времени и сводит тысячи переменных к компактным и простым уравнениям, которые при этом точно описывают поведение систем в реальных условиях. Этот метод может найти применение в физике, инженерном деле, климатологии и биологии. А для ученых он может стать инструментом исследования систем, для которых традиционные уравнения отсутствуют или слишком сложны.
Отличает новый подход способность обрабатывать комплексные системы, сложность которых намного превосходит человеческие возможности. ИИ способен работать с нелинейными системами, включающими 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 имени семьи Дикинсон в Университете Дьюка. — У нас все больше исходных данных, необходимых для понимания сложных систем, но нет инструментов, чтобы преобразовать эту информацию в те упрощенные правила, на которые полагаются ученые. Преодоление этого разрыва крайне важно».
Классический пример упрощения — расчет траектории движения пушечного ядра. Она зависит от многих факторов, включая начальную скорость и угол, сопротивление воздуха, изменяющиеся условия ветра и даже температуру окружающей среды. Однако в упрощенном виде его можно описать простым линейным уравнением, в котором учитывается только скорость и угол.
Почти сто лет назад математик Бернард Купман показал, что сложные нелинейные системы могут быть представлены математически с помощью линейных моделей. Однако представление слишком сложных систем с помощью линейных моделей часто требует построения сотен или даже тысяч уравнений, каждое из которых связано с отдельной переменной. Новая платформа ИИ основана на идее Купмана и способна решить эту проблему, пишет Science Daily.
Предложенная учеными из Университета Дьюка методика анализирует данные временных рядов из экспериментов и выявляет наиболее значимые закономерности в изменении системы. Она сочетает глубокое обучение с ограничениями, вдохновленными физикой, чтобы сузить систему до гораздо меньшего набора переменных, которые по-прежнему отражают ее основное поведение. В результате получается компактная модель, которая математически ведет себя как линейная система, оставаясь при этом верной сложности реального мира.
Для проверки подхода исследователи применили его к широкому спектру систем, от колебательного движения маятника до нелинейного поведения электрических цепей. Несмотря на значительные различия в этих системах, ИИ неизменно выявлял небольшое количество скрытых переменных, определяющих их поведение.
Во многих случаях полученные модели были более чем в 10 раз компактнее, чем модели, созданные с помощью ранних методов машинного обучения, и при этом обеспечивали надежные долгосрочные прогнозы.
Кроме того, метод не ограничивается одним лишь прогнозированием. Он позволяет выявлять стабильные состояния, известные как аттракторы, в которых система естественным образом стабилизируется с течением времени. Распознавание этих состояний имеет решающее значение при определении того, что происходит с системой: работает ли она нормально, медленно дрейфует или приближается к нестабильности.
Авторы недавнего эксперимента смогли значительно сократить количество измерений при оценке шума сложной квантовой системы. Они изучили ее поведение всего за 15 минут, в то время как сопоставимый классический подход занял бы около 20 миллионов лет.
