مهندسان اصل مشترکی را یافتند که هوش مصنوعی، فیزیک و زیست‌شناسی را پیوند می‌دهد!

محققان مدت‌ها بر این باور بودند که فوم (کف) مانند شیشه رفتار می‌کند؛ به‌گونه‌ای که حباب‌ها در جای خود قفل می‌شوند. اکنون شبیه‌سازی‌های جدید نشان می‌دهند که این حباب‌ها هیچ‌گاه کاملاً ساکن نمی‌شوند و در عوض در میان بسیاری از چینش‌های ممکن به حرکت ادامه می‌دهند. رفتار غیرمنتظره‌ی این حرکت، از نظر ریاضی مشابه است با قوانینی که اجازه می‌دهند سیستم‌های هوش مصنوعی یاد بگیرند. این یافته نشان می‌دهد که «یادگیری» ممکن است یک اصل گسترده باشد که در سراسر طبیعت و فناوری وجود دارد.

فوم؛ شیئی آشنا اما ناقص درک‌شده!

فوم‌ها در بسیاری از اشکال روزمره ظاهر می‌شوند، از کف صابون و کرم ریش‌تراش تا پوشش‌های خامه‌ای و امولسیون‌هایی مانند مایونز. دهه‌ها بود که دانشمندان تصور می‌کردند این مواد مانند شیشه رفتار می‌کنند؛ یعنی بخش‌های ریزشان در آرایش‌های بی‌نظم اما بی‌حرکت قفل شده‌اند.

این فرض دیرین اکنون به چالش کشیده شده است. مهندسان در دانشگاه پنسیلوانیا کشف کرده‌اند که فوم‌ها حتی وقتی شکل خارجی ثابتی را حفظ می‌کنند، در داخل در حال حرکت مداوم هستند. از دیدگاه ریاضی، این حرکت پنهان شباهت زیادی به یادگیری عمیق دارد ـ روشی که معمولاً برای آموزش سیستم‌های هوش مصنوعی مدرن استفاده می‌شود.

این یافته نشان می‌دهد که اگر «یادگیری» را به عنوان یک فرآیند ریاضیاتی در نظر بگیریم، ممکن است یک اصل سازمان‌دهنده مشترک در مواد فیزیکی، سیستم‌های زنده و مدل‌های محاسباتی وجود داشته باشد. این موضوع همچنین راه‌های جدیدی برای طراحی موادی که می‌توانند با گذشت زمان سازگار شوند، پیش‌بینی می‌کند و ممکن است بینش‌هایی در مورد ساختارهای زیستی ارائه دهد که باید همچنان به بازآرایی ادامه دهند — مانند چارچوب داخلی سلول‌های زنده.

حباب‌هایی که همچنان آرایش می‌دهند!

در تحقیق منتشرشده در مجله‌ی Proceedings of the National Academy of Sciences، گروه تحقیق با استفاده از شبیه‌سازی‌های کامپیوتری مسیر حرکت حباب‌ها داخل یک فوم مرطوب را دنبال کرد. به‌جای اینکه در موقعیت‌های ثابت قرار بگیرند، حباب‌ها در یک گستره‌ی وسیع از چینش‌ها به حرکت ادامه دادند.

از دیدگاه ریاضی، این رفتار شباهت زیادی به نحوه‌ی کار سیستم‌های یادگیری عمیق دارد. هنگام آموزش، یک هوش مصنوعی بارها و بارها پارامترهای خود را تنظیم می‌کند ـ اطلاعاتی که آنچه هوش مصنوعی «می‌داند» را رمزگذاری می‌کند ـ به‌جای اینکه در یک پیکربندی نهایی کاملاً ثابت بماند.

جان. سی. کراکر، استاد مهندسی شیمی و زیست‌مولکولی و یکی از نویسندگان اصلی مقاله می‌گوید:

فوم‌ها خود را به‌طور مداوم بازآرایی می‌کنند. این که فوم‌ها و سیستم‌های مدرن هوش مصنوعی ظاهراً اصول ریاضی یکسانی را دنبال می‌کنند، قابل توجه است. هنوز مشخص نیست چرا این اتفاق می‌افتد، اما ممکن است شیوه‌ی تفکر ما درباره‌ی مواد سازگار و حتی سیستم‌های زنده را متحول کند.

چرا مدل‌های سنتی فوم ناکارآمد بودند؟

در مقیاس قابل‌مشاهده و لمس، فوم‌ها اغلب مانند جامدات رفتار می‌کنند. آن‌ها معمولاً شکل خود را حفظ می‌کنند و هنگام فشار دادن به حالت قبلی بازمی‌گردند. اما در مقیاس‌های بسیار کوچک‌تر، فوم‌ها به عنوان مواد «دو‌فازی» طبقه‌بندی می‌شوند که حباب‌ها در یک زمینه‌ی مایع یا جامد معلق هستند.

چون فوم‌ها تولید و مشاهده‌ی آسانی دارند و رفتار مکانیکی پیچیده‌ای نشان می‌دهند، دانشمندان مدت‌ها از آن‌ها به‌عنوان مدل‌های ساده برای مطالعه‌ی سیستم‌های پرتراکم و پویا — از جمله سلول‌های زنده — استفاده کرده‌اند.

نظریه‌های قدیمی، حباب‌های فوم را به‌گونه‌ای توصیف می‌کردند که گویی اجسام سنگینی هستند که در یک «چشم‌انداز انرژی» حرکت می‌کنند. در این چارچوب، حباب‌ها به سمت موقعیت‌های کم‌انرژی «پایین می‌غلتند» و سپس در آنجا باقی می‌مانند. این تصویر کمک می‌کرد تا توضیح داده شود چرا فوم‌ها پس از شکل‌گیری پایدار به‌نظر می‌رسند — شبیه به سنگی که در پایین دره‌ای ایستاده است.

بینش‌هایی از هوش مصنوعی

سیستم‌های هوش مصنوعی مدرن با تنظیم پیوسته‌ی پارامترهای عددی در طول آموزش یاد می‌گیرند. روش‌های اولیه آموزش سعی می‌کردند سیستم‌ها را به سمت یک راه‌حل «عمیق‌ترین» هدایت کنند که دقیقاً با داده‌های آموزش مطابقت دارد. یادگیری عمیق از تکنیک‌های بهینه‌سازی مرتبط با الگوریتمی به‌نام نزول گرادیانی استفاده می‌کند که به‌صورت گام‌به‌گام سیستم را به سمت کاهش خطا هدایت می‌کند.

با گذشت زمان، پژوهشگران فهمیدند که فشار آوردن بیش‌ازحد سیستم‌ها به عمیق‌ترین راه‌حل‌ها باعث مشکلاتی می‌شود—مدل‌هایی که بیش‌ازحد منطبق با داده‌های آموزشی هستند اغلب در مواجهه با داده‌های جدید عملکرد ضعیفی دارند. کشف شده است که نگه‌داشتن مدل در نواحی نسبتاً «صاف» چشم‌انداز، جایی که راه‌حل‌های زیادی عملکرد تقریباً مشابه دارند، باعث می‌شود مدل‌ها بهتر تعمیم پیدا کنند.

نتیجه‌گیری و چشم‌انداز

هنگامی که پژوهشگران پنسیلوانیا شبیه‌سازی‌های فوم را با استفاده از این چارچوب بازتحلیل کردند، شباهت واضح شد. حباب‌های فوم نه در موقعیت‌های ثابت و پایدار «غرق» می‌شوند، بلکه در نواحی گسترده‌ای باقی می‌مانند که بسیاری از پیکربندی‌ها به‌طور مشابه قابل‌قبول‌اند. این رفتار به‌شکل چشم‌گیری مشابه نحوه‌ی یادگیری سیستم‌های مدرن هوش مصنوعی است.

منبع: Scitechdaily