Μια τεχνητή νοημοσύνη από την οποία ζητήθηκε να εντοπίσει τις μεταβλητές που εμπλέκονται σε βίντεο φυσικών φαινομένων που της έδειξαν, παρήγαγε απαντήσεις διαφορετικές από αυτές που θα δίναμε εμείς.
Η φυσική που χρησιμοποιούμε βασίζεται σε μεταβλητές, όπως η επιτάχυνση και η μάζα. Κάποιες από από αυτές δύνανται να αναχθούν σε πιο θεμελιώδεις, όπως είναι η απόσταση και ο χρόνος. Αν υπάρχει και άλλος τρόπος για να ποσοτικοποιήσουμε τη λειτουργία του σύμπαντος, εμείς δεν τον έχουμε συλλάβει ακόμα. Ωστόσο, όπως ανακάλυψαν οι επιστήμονες ρομποτικής στο Πανεπιστήμιο της Columbia, οι μεταβλητές που γνωρίζουμε μπορεί να μην είναι οι μόνες.
Ο Dr Boyuan Chen και οι συνεργάτες του εκπαίδευσαν ένα σύστημα τεχνητής νοημοσύνης να μετράει τον αριθμό των μεταβλητών που απαιτούνται για να περιγραφούν διάφορα φυσικά συστήματα και να προβλέπει την εξέλιξή τους. Τα αποτελέσματα έχουν δημοσιευτεί στο “Nature Computational Science”, αλλά αυτή είναι μόνο η αρχή, καθώς μόλις τώρα αρχίζουμε να κατανοούμε τις μεταβλητές που συνήγαγαν οι υπολογιστές.
«Πάντα αναρωτιόμουν, αν συναντούσαμε ποτέ μια ευφυή εξωγήινη φυλή, αυτή θα είχε ανακαλύψει τους ίδιους νόμους της φυσικής με εμάς ή θα μπορούσε να περιγράψει το σύμπαν με διαφορετικό τρόπο από τον δικό μας;» δηλώνει ο καθηγητής και επικεφαλής συγγραφέας Hod Lipson. «Ίσως κάποια φαινόμενα να φαίνονται αινιγματικά πολύπλοκα γιατί προσπαθούμε να τα κατανοήσουμε χρησιμοποιώντας το λάθος σύνολο μεταβλητών».
Credit: Boyuan Chen/Columbia Engineering
Εξάλλου, όπως αναφέρεται στην δημοσίευση: «Χρειάστηκαν χιλιετίες ώστε οι πολιτισμοί να μορφοποιήσουν βασικές μηχανικές μεταβλητές όπως η μάζα, η ορμή και η επιτάχυνση. Οι νόμοι της μηχανικής κίνησης θα μπορούσαν να ανακαλυφθούν μόνο όταν καταλήγαμε πια σε αυτές τις έννοιες». Ομοίως, δεν μπορούμε να εξάγουμε τους νόμους της θερμοδυναμικής χωρίς τις έννοιες της θερμοκρασίας, της ενέργειας και της εντροπίας. Τουλάχιστον μερικές από αυτές είναι πλέον εύληπτες για εμάς, αλλά για τους προγόνους μας δεν ήταν.
Περιστασιακά, οι επιστήμονες μπορούν να πάρουν μια μικρή γεύση για το πώς θα φαινόταν το σύμπαν εάν ξεκινούσαμε με διαφορετικές μεταβλητές. Ο μαθηματικός Norman Wildberger δημιούργησε αυτό που ο ίδιος αποκαλεί “ορθολογική τριγωνομετρία” (rational trigonometry), αντικαθιστώντας τις οικείες μεταβλητές των τριγώνων -το μήκος και την γωνία- με το τετράγωνο του μήκους και το ημιτόνο της γωνίας, τα οποία αποκαλεί quadrance και spread (τετραγωνισμό και έκταση, σε ελεύθερη απόδοση). Μερικά προβλήματα αντιμετωπίζονται πολύ πιο εύκολα όταν χρησιμοποιούνται αυτές τις μεταβλητές, αλλά αυτός που έχει εκπαιδευτεί στην Ευκλείδεια γεωμετρία, αισθάνεται στην αρχή σαν να μιλάει μια ξένη γλώσσα.
Υποστηρίζεται επίσης ότι κάποιοι πολιτισμοί -με πιο γνωστό αυτό των ιθαγενών Αμερικανών Hopi- αντιλαμβάνονται διαφορετικά μεταβλητές όπως ο χρόνος, κάτι που τους δίνει μία θεμελιωδώς διαφορετική οπτική για τη φυσική.
Για να μπορέσουμε να βρούμε ακόμα πιο ξένες προς εμάς μεταβλητές, θα πρέπει να συμβουλευτούμε κάποιον που έχει “ανατραφεί” χωρίς να έχει εκτεθεί σε γνωστές έννοιες όπως η γωνία και η απόσταση. Και καθώς είναι -φυσικά- παράνομο το να μεγαλώνεις έτσι ένα παιδί, οι συγγραφείς στράφηκαν στην τεχνητή νοημοσύνη, ξεκινώντας με ένα βίντεο με ελαστικά διπλά εκκρεμή.
Ένας φυσικός που κοιτάζει ένα σύστημα διπλού εκκρεμούς βλέπει πιθανότατα τέσσερις μεταβλητές – τη γωνία και τη γωνιακή ταχύτητα κάθε βραχίονα. Και οι τέσσερις είναι ευκολονόητες για εμάς και μετρώνται εύκολα. Ωστόσο, οι προπτυχιακοί φοιτητές φυσικής εκπαιδεύονται ώστε να μπορούν επίσης να μοντελοποιούν το σύστημα με όρους όπως η κινητική και η δυναμική ενέργεια κάθε βραχίονα.
Οι συγγραφείς έδειξαν το βίντεο ενός διπλού εκκρεμούς σε ένα νευρωνικό δίκτυο και το ρώτησαν πόσες μεταβλητές κατάστασης είδε. Αν και η απάντηση ήταν τέσσερις, ο υπολογιστής και οι άνθρωποι δεν διαθέτουν την κοινή γλώσσα που χρειάζεται για να καθορίσουν το ποιες είναι αυτές οι μεταβλητές. Οι δύο από αυτές φαίνεται να είναι παρόμοιες με τον τρόπο που εμείς μετράμε τις γωνίες των βραχιόνων, αλλά οι υπόλοιπες παραμένουν ένας γρίφος.
«Προσπαθήσαμε να συσχετίσουμε τις άλλες μεταβλητές με οτιδήποτε μπορούσαμε να σκεφτούμε: γωνιακές και γραμμικές ταχύτητες, κινητική και δυναμική ενέργεια και διάφορους συνδυασμούς γνωστών μεγεθών», εξηγεί ο Chen. «Αλλά τίποτα δεν φαινόταν να ταιριάζει απόλυτα.» Ωστόσο, το δίκτυο προέβλεψε τόσο καλά τις μελλοντικές κινήσεις του εκκρεμούς, που φαίνεται ότι αναγνώρισε πραγματικές μεταβλητές, ακόμα κι αν αυτές είναι άγνωστες σε εμάς.
Οι συγγραφείς συνέχισαν δείχνοντας στον υπολογιστή αρκετά πιο περίπλοκα δυναμικά συστήματα, όπως έναν «χορευτή αέρα» έξω από έναν κοντινό έμπορο αυτοκινήτων, μια lava lamp και φλόγες σε ένα τζάκι. Αυτός ανέφερε ότι απαιτούνται 8, 8 και 24 μεταβλητές κατάστασης αντίστοιχα, για την περιγραφή αυτών των συστημάτων, αλλά χωρίς να γνωρίζει ακόμη κανείς ποιές είναι αυτές.
Η δυναμική φυσικών συστημάτων είχε μοντελοποιηθεί και από προηγούμενα εργαλεία μηχανικής μάθησης, όμως τους είχαν παρασχεθεί μετρήσεις σχετικών μεταβλητών κατάστασης, δηλαδή ποσοτικές μεταβλητές οι οποίες περιγράφουν πλήρως το σύστημα καθώς αυτό εξελίσσεται. Άπαξ και διδάσκονταν με αυτόν τον τρόπο, θα ήταν απίθανο οι μηχανές να καταλήξουν σε εναλλακτικές δικές τους μεταβλητές.
Απ’ ότι φαίνεται, τώρα τα συστήματα τεχνητής νοημοσύνης μπορούν πράγματι να αναγνωρίσουν νέες μεταβλητές – χρειαζόμαστε απλώς έναν μεταφραστή για να καταλάβουμε τι είναι αυτές.
Παραπομπές:
Automated discovery of fundamental variables hidden in experimental data
Πηγή: https://www.iflscience.com/
