توسعه و ارائه یک نظریه جدید در حوزه فیزیک معمولاً با بزرگان این رشته مرتبط است. برای مثال ممکن است شما به اسحاق نیوتن یا آلبرت انیشتین فکر کنید. تاکنون بسیاری از جوایز نوبل برای نظریه‌های جدید اعطا شده است. اما اکنون محققان موسسه Forschungszentrum Jülich یک هوش مصنوعی را طوری برنامه‌ریزی کرده‌اند که بر این شاهکار نیز مسلط شود! هوش مصنوعی آنها قادر است الگوها را در مجموعه داده‌های پیچیده تشخیص دهد و آنها را در یک نظریه فیزیکی فرموله کند.
در مصاحبه زیر، پروفسور موریتز هلیاس از موسسه شبیه‌سازی پیشرفته Forschungszentrum Jülich (IAS-6) توضیح می‌دهد که “فیزیک هوش مصنوعی (Physics of AI)” چیست و تا چه اندازه با رویکردهای مرسوم تفاوت دارد.
چگونه فیزیکدانان نظریه جدیدی ارائه می‌کنند؟
شما معمولاً قبل از تلاش برای پیشنهاد نحوه تعامل اجزای مختلف سیستم با یکدیگر به منظور توضیح رفتار مشاهده‌شده، با مشاهدات خودِ سیستم شروع می‌کنید. سپس پیش‌بینی‌های جدید از این موضوع استخراج شده و مورد آزمایش قرار می‌گیرند. یک مثال معروف قانون گرانش اسحاق نیوتن است. این قانون نه تنها نیروی گرانشی روی زمین را توصیف می‌کند، بلکه می‌تواند برای پیش‌بینی حرکت سیارات، قمرها، دنباله‌دارها و همچنین مدار ماهواره‌های مدرن با دقت نسبتاً دقیقی مورد استفاده قرار گیرد.
با این حال، نحوه رسیدن به چنین فرضیاتی همیشه متفاوت است. شما می‌توانید با اصول کلی و معادلات اساسی فیزیک شروع کرده و فرضیه را از آنها استخراج کنید، یا می توانید یک رویکرد پدیدارشناسانه را انتخاب کرده و خود را به توصیف مشاهداتِ تا حد امکان دقیق، بدون توضیح علل آنها محدود کنید. مشکل در انتخاب یک رویکرد مناسب از بین رویکردهای متعدد ممکن، تطبیق آن در صورت لزوم و ساده کردن آن است.
با هوش مصنوعی خود چه رویکردی در پیش گرفته‌اید؟
به طور کلی، رویکرد ما “فیزیک برای یادگیری ماشین” نام دارد. ما در تحقیقاتی خود از روش‌های فیزیک برای تجزیه و تحلیل و درک عملکرد پیچیده یک هوش مصنوعی استفاده می‌کنیم.
ایده جدید بسیار مهمی که توسط کلودیا مرجر از گروه تحقیقاتی ما ایجاد شد، استفاده از یک شبکه عصبی بود که یاد می‌گیرد به‌طور دقیق رفتار پیچیده مشاهده‌شده را به یک سیستم ساده‌تر ترسیم کند. به عبارت دیگر، هوش مصنوعی قصد دارد تمام تعاملات پیچیده‌ای را که بین اجزای سیستم مشاهده می‌کنیم، ساده کند. سپس از سیستم ساده‌شده استفاده می‌کنیم و با هوش مصنوعی آموزش‌دیده یک نقشه‌برداری معکوس ایجاد می‌کنیم و با بازگشت از سیستم ساده‌شده به سیستم پیچیده، نظریه جدید را توسعه می‌دهیم. در راه بازگشت، فعل و انفعالات پیچیده، به‌صورت بخش به بخش از آنهایی که ساده شده‌اند، ساخته می‌شوند. در نهایت، رویکرد ما چندان متفاوت از رویکرد یک فیزیکدان نیست، با این تفاوت که روشی که در آن فعل و انفعالات مونتاژ می‌شوند اکنون از روی پارامترهای هوش مصنوعی خوانده می‌شود. این دیدگاه نسبت به جهان (توضیح هوش مصنوعی از تعامل بین بخش‌های مختلف آن که از قوانین خاصی پیروی می‌کنند) اساس فیزیک است، از این رو با اصطلاح “فیزیک هوش مصنوعی” شناخته می‌شود.
هوش مصنوعی شما در چه برنامه‌هایی استفاده شد؟
ما از مجموعه داده‌ای از تصاویر سیاه و سفید با اعداد دست‌نویس استفاده کردیم که اغلب در تحقیقات هنگام کار با شبکه‌های عصبی استفاده می‌شود. کلودیا به عنوان بخشی از پایان نامه دکترای خود، بررسی کرد که چگونه زیرساخت‌های کوچک در تصاویر، مانند لبه‌های اعداد، از تعامل بین پیکسل‌ها ساخته شده‌اند. گروه‌هایی از پیکسل‌ها یافت می‌شوند که با هم روشن‌تر هستند و در نتیجه به شکل لبه عدد کمک می‌کنند.
تلاش محاسباتی هوش مصنوعی شما چقدر است؟
استفاده از هوش مصنوعی ترفندی است که محاسبات را در وهله اول امکان‌پذیر می‌کند. شما خیلی سریع به تعداد بسیار زیادی از تعاملات احتمالی می‌رسید. بدون استفاده از این ترفند، فقط می‌توانید به سیستم‌های بسیار کوچک نگاه کنید. با این وجود، تلاش محاسباتی درگیر، هنوز زیاد است که به دلیل این واقعیت است که تعاملات احتمالی زیادی حتی در سیستم‌هایی با اجزای متعدد وجود دارد. با این حال، ما می‌توانیم این تعاملات را به‌طور موثر پارامتری کنیم، به‌طوری که اکنون می‌توانیم سیستم‌هایی را با حدود 1000 مؤلفه تعاملی، یعنی مناطق تصویر با حداکثر 1000 پیکسل مشاهده کنیم. در آینده، سیستم‌های بسیار بزرگتر نیز می‌توانند از طریق بهینه‌سازی بیشتر امکان‌پذیر باشند.
این رویکرد چه تفاوتی با سایر هوش‌های مصنوعی مانند ChatGPT دارد؟
هدف بسیاری از هوش‌های مصنوعی، یادگیری تئوری داده‌های مورداستفاده برای آموزش هوش مصنوعی است. با این حال، نظریه‌هایی که هوش مصنوعی یاد می‌گیرند معمولا قابل تفسیر نیستند. در عوض، آنها به‌طور ضمنی در پارامترهای هوش مصنوعی آموزش‌دیده پنهان هستند. در مقابل، رویکرد ما تئوری آموخته‌شده را استخراج کرده و آن را به زبان تعاملات بین اجزای سیستم که زیربنای فیزیک است، فرموله می‌کند. بنابراین به حوزه هوش مصنوعی قابل توضیح، به ویژه “فیزیک هوش مصنوعی” تعلق دارد، زیرا ما از زبان فیزیک برای توضیح آنچه که هوش مصنوعی آموخته است استفاده می‌کنیم. ما می‌توانیم از زبان تعاملات برای ایجاد پلی بین عملکرد پیچیده درونی هوش مصنوعی و نظریه‌هایی که انسان‌ها می‌توانند آن را درک کنند، استفاده کنیم.
منبع: Scitechdaily
