日本科学研究中心(Forschungszentrum j
lich)的研究人员开发出一种人工智能，能够通过识别复杂数据集中的模式来制定物理理论，这是艾萨克·牛顿(Isaac Newton)和阿尔伯特·爱因斯坦(Albert Einstein)等伟大物理学家历史上取得的成就。这种人工智能是“人工智能的物理”计划的一部分，它简化了数据中复杂的相互作用，以发展新的理论，不同于传统的方法，使理论可以解释，并以物理学的语言为基础。来源:SciTechDaily.com
一种新理论的发展通常与物理学的伟大人物联系在一起。例如，你可能会想到艾萨克·牛顿或阿尔伯特·爱因斯坦。许多诺贝尔奖已经授予了新的理论。德国科学研究中心(Forschungszentrum j
他们的人工智能能够识别复杂数据集中的模式，并在物理理论中形成它们。一种新理论的发展通常与物理学的伟大人物联系在一起。例如，你可能会想到艾萨克·牛顿或阿尔伯特·爱因斯坦。许多诺贝尔奖已经授予了新的理论。德国科学研究中心(Forschungszentrum j
在接下来的采访中，来自Forschungszentrum j
lich’s Institute for Advanced Simulation (IAS-6)的Moritz Helias教授解释了什么是“人工智能物理学”，以及它与传统方法在多大程度上不同。
物理学家是如何提出新理论的?
在尝试提出不同的系统组件如何相互作用以解释所观察到的行为之前，您通常从对系统的观察开始。然后据此得出新的预测并加以验证。一个著名的例子是艾萨克·牛顿的万有引力定律。它不仅描述了地球上的引力，而且还可以用来相当准确地预测行星、卫星和彗星的运动，以及现代卫星的轨道。
然而，达成这些假设的方式总是不同的。你可以从物理学的一般原理和基本方程开始，从它们推导出假设，或者你可以选择一种现象学的方法，把自己限制在尽可能准确地描述观察结果，而不解释其原因。困难在于从众多可能的方法中选择一个好的方法，必要时调整它，并简化它。
你们对人工智能采取了什么方法?
一般来说，它涉及一种被称为“机器学习物理学”的方法。在我们的工作组中，我们使用物理学的方法来分析和理解人工智能的复杂功能。
我们研究小组的Claudia Merger提出了一个重要的新想法，首先使用神经网络来学习将观察到的复杂行为准确地映射到一个更简单的系统。换句话说，人工智能旨在简化我们在系统组件之间观察到的所有复杂交互。然后，我们使用简化的系统，并与训练过的人工智能创建一个逆映射。我们从简化系统回到复杂系统，然后发展新的理论。在返回的过程中，复杂的相互作用是由简化的相互作用逐渐建立起来的。最终，这种方法与物理学家的方法并没有太大的不同，不同之处在于，相互作用的组合方式现在是从人工智能的参数中读取的。这种对世界的看法——从遵循一定规律的各个部分之间的相互作用来解释它——是物理学的基础，因此被称为“人工智能物理学”。
人工智能应用于哪些领域?
例如，我们使用了带有手写数字的黑白图像数据集，这在研究神经网络时经常使用。作为她博士论文的一部分，Claudia Merger研究了图像中的小子结构(如数字的边缘)是如何由像素之间的相互作用组成的。发现一组像素在一起会更亮，从而形成数字边缘的形状。
计算量有多高最终努力呢?
人工智能的使用首先是一种使计算成为可能的技巧。你很快就会得到大量可能的相互作用。如果不使用这个技巧，你只能看到非常小的系统。然而，所涉及的计算工作量仍然很高，这是由于即使在具有许多组件的系统中也存在许多可能的相互作用。然而，我们可以有效地参数化这些交互，这样我们现在可以查看大约有1000个交互组件的系统，即多达1000个像素的图像区域。在未来，通过进一步优化，更大的系统也应该成为可能。
这种方法与ChatGPT等其他人工智能有何不同?
许多人工智能的目标是学习用于训练人工智能的数据理论。然而，人工智能学习的理论通常无法解释。相反，它们隐式地隐藏在经过训练的AI的参数中。相比之下，我们的方法提取了学到的理论，并用系统组件之间相互作用的语言将其公式化，这是物理学的基础。因此，它属于可解释的AI领域，特别是“AI的物理学”，因为我们使用物理学的语言来解释AI学到了什么。我们可以用互动的语言在人工智能复杂的内部运作和人类可以理解的理论之间架起一座桥梁。
参考文献:Claudia Merger, Alexandre ren
， Kirsten Fischer, Peter bous, Sandra Nestler, David Dahmen, Carsten Honerkamp和Moritz Helias撰写的“从数据中学习相互作用理论”，2023年11月20日，物理评论X. DOI: 10.1103/PhysRevX.13.041033
