محققان در دانشگاه دوک (Duke University) یک چارچوب جدید هوش مصنوعی ایجاد کردهاند که برای کشف قوانین ساده و قابل فهمی طراحی شده است که زیربنای برخی از پیچیدهترین دینامیکهای (تحولات) مشاهدهشده در طبیعت و فناوری هستند.
این سیستم از شیوهی کار «دینامیکدانان» مشهور الهام گرفته شده است؛ دانشمندانی که چگونگی تغییر سیستمها در طول زمان را مطالعه کرده و بسیاری از اصول فیزیکی را که حرکت و سایر فرآیندهای در حال تحول را توضیح میدهند، کشف کردند. همانطور که نیوتن، که اغلب به عنوان اولین دینامیکدان شناخته میشود، نیرو و حرکت را با معادلات به هم متصل کرد، این هوش مصنوعی نیز دادههایی را مطالعه میکند که نشان میدهند یک سیستم پیچیده چگونه در طول زمان تغییر میکند و سپس معادلاتی تولید کرده که آن رفتار را توصیف میکنند.
آنچه این رویکرد را به ویژه قدرتمند میسازد، توانایی آن در فراتر رفتن از چیزی است که انسانها به طور واقعبینانه میتوانند در ذهن خود مدیریت کنند. این سیستم میتواند سیستمهای غیرخطی شامل صدها یا حتی هزاران متغیر را دریافت کرده و آنها را به قوانین سادهتری که به متغیرهای بسیار کمتری وابسته هستند، کاهش دهد.
از آب و هوا و مدارها تا زیستشناسی
این مطالعه که روز گذشته (۱۷ دسامبر) در مجلهی npj Complexity منتشر شد، راه جدیدی را برای استفاده از هوش مصنوعی برای درک بهتر سیستمهای پیچیدهای ارائه میدهد که در طول زمان تحول مییابند، از جمله الگوهای آب و هوا، مدارهای الکتریکی، سیستمهای مکانیکی و سیگنالهای زیستی.
بویوان چن (Boyuan Chen)، مدیر آزمایشگاه عمومی رباتیک و استادیار مهندسی مکانیک و علم مواد در دوک میگوید:
کشف علمی همیشه به یافتن بازنماییهای سادهشده از فرآیندهای پیچیده وابسته بوده است. ما بهطور فزایندهای دادههای خام مورد نیاز برای درک سیستمهای پیچیده را در اختیار داریم، اما ابزارهایی برای تبدیل آن اطلاعات به نوع قوانین سادهشدهای که دانشمندان به آنها تکیه میکنند، نداریم. پر کردن این شکاف ضروری است!
برای نشان دادن اینکه چرا سادهسازی اهمیت دارد، پرواز یک گلولهی توپ را در نظر بگیرید. مسیر آن میتواند تحت تأثیر عوامل بسیاری از جمله سرعت و زاویهی پرتاب، مقاومت هوا، بادهای در حال تغییر و حتی دماهای محیط اطراف قرار گیرد. با این حال، یک تقریب قوی اغلب از یک معادلهی خطی ساده به دست میآید که تنها از دو عامل اول استفاده میکند.
ایدهی کوپمن و چالش بزرگ
مثال گلولهی توپ، منعکسکنندهی یک مفهوم نظری است که توسط ریاضیدان برنارد کوپمن (Bernard Koopman) در دههی ۱۹۳۰ ارائه شد: سیستمهای غیرخطی پیچیده میتوانند به صورت ریاضی توسط مدلهای خطی نمایش داده شوند. روش هوش مصنوعی تیم دوک بر این ایده بنا شده است.
اما یک مانع عمده وجود دارد. ایجاد مدلهای خطی برای سیستمهای فوقالعاده پیچیده ممکن است نیازمند نوشتن صدها یا حتی هزاران معادله باشد که هر کدام به متغیر خاص خود گره خوردهاند. این مقیاس به سرعت برای ذهن انسان غیرقابل مدیریت میشود.
اینجاست که هوش مصنوعی مفید واقع میشود!
چارچوب چگونه پیچیدگی را فشرده میکند؟
چارچوب جدید، دادههای سری زمانی حاصل از آزمایشها را تجزیه و تحلیل میکند، به دنبال معنادارترین الگوها در نحوهی تغییر یک سیستم میگردد و یادگیری عمیق را با محدودیتهای الهامگرفته از فیزیک ترکیب میکند تا مشکل را کوچک کند. این سیستم مجموعهی بسیار کوچکتری از متغیرها را شناسایی میکند که همچنان رفتار اصلی را در بر میگیرند. نتیجهی نهایی، توصیفی فشرده است که از نظر ریاضی مانند یک مدل خطی رفتار میکند در حالیکه هنوز با پیچیدگی دینامیکهای دنیای واقعی مطابقت دارد.
محققان این چارچوب را در سیستمهای مختلفی آزمایش کردند. این سیستمها شامل حرکت آشنای یک آونگ، رفتار غیرخطی مدارهای الکتریکی و مدلهای مورد استفاده در علم آب و هوا و مدارهای عصبی بودند. اگرچه این سیستمها تفاوتهای زیادی با هم دارند، این روش بارها مجموعهی کوچکی از متغیرهای پنهان را که رفتار را کنترل میکردند، کشف کرد. در بسیاری از موارد، مدلهای کاهشیافته بیش از ۱۰ برابر کوچکتر از چیزی بودند که رویکردهای یادگیری ماشین قبلی نیاز داشتند، در حالی که همچنان پیشبینیهای بلندمدت قابل اعتمادی ارائه میدادند.
چن میگوید:
آنچه برجسته است، نه تنها دقت، بلکه قابلیت تفسیرپذیری است. هنگامی که یک مدل خطی فشرده باشد، فرآیند کشف علمی میتواند به طور طبیعی به نظریهها و روشهای موجودی متصل شود که دانشمندان انسانی در طول هزارهها توسعه دادهاند. این مانند اتصال دانشمندان هوش مصنوعی با دانشمندان انسانی است.
یافتن «جذابها» و تشخیص ناپایداری!
این چارچوب محدود به پیشبینی نیست. همچنین میتواند حالتهای پایداری به نام «جذّابها» (Attractors) را مشخص کند که سیستم تمایل دارد در طول زمان در آنها قرار گیرد. شناسایی این حالتهای پایدار به محققان کمک میکند تا قضاوت کنند که آیا یک سیستم به طور عادی کار میکند، از رفتار معمول دور میشود یا به سمت ناپایداری حرکت میکند.
سام مور (Sam Moore)، نویسندهی اصلی و دانشجوی دکترا در آزمایشگاه عمومی رباتیک چن میگوید:
برای یک دینامیکدان، یافتن این ساختارها مانند پیدا کردن نقاط دیدنی یک منظرهی جدید است. هنگامی که نقاط پایدار را بدانید، بقیهی سیستم شروع به معنا پیدا کردن میکند.
این تیم تحقیقاتی تأکید میکند که این روش به ویژه زمانی ارزشمند است که معادلات سنتی در دسترس، کامل یا بسیار دشوار برای استخراج باشند. مور ادامه داد:
این در مورد جایگزینی فیزیک نیست. بلکه در مورد گسترش توانایی ما برای استدلال با استفاده از دادهها است، زمانی که فیزیک ناشناخته، پنهان یا بسیار دست و پاگیر برای نوشتن است.
گام بعدی برای «دانشمندان ماشینی»
در مرحلهی بعد، محققان قصد دارند بررسی کنند که چگونه این چارچوب میتواند به هدایت طراحی آزمایشی کمک کند؛ به این صورت که انتخاب کند چه دادههایی جمعآوری شوند تا ساختار یک سیستم با کارایی بیشتری آشکار شود. آنها همچنین میخواهند این رویکرد را به انواع غنیتری از اطلاعات، از جمله ویدئو، صدا یا سیگنالهای جمعآوری شده از سیستمهای بیولوژیکی پیچیده گسترش دهند.
این کار از یک تلاش بلندمدت در آزمایشگاه عمومی رباتیک چن حمایت میکند تا «دانشمندان ماشینی» (Machine Scientists) توسعه یابند که بتوانند به کشف علمی خودکار کمک کنند. با ترکیب هوش مصنوعی مدرن با زبان ریاضی سیستمهای دینامیکی، این تحقیق به آیندهای اشاره میکند که در آن هوش مصنوعی کاری فراتر از تشخیص الگو انجام میدهد؛ میتواند به کشف قوانین اساسیای کمک کند که جهان فیزیکی و سیستمهای زنده را شکل میدهند.
منبع: Scitechdaily
