过去几年间,深度学习技术的进步已带来许多崭新的AI应用,但其中仍有许多局限存在,为了推动相关技术发展,科学家打算更进一步让人工神经网络向人类看齐:学习物理。
北卡罗来纳州立大学非线性AI实验室(NAIL)研究人员发现,通过教导神经网络物理知识,可以让它们更好地适应环境中的混乱,未来或许还能改善从医疗诊断到无人驾驶的AI应用。
就目前来说,神经网络主要是使用大数据训练,通过大量信息调整数据权重和偏差,最小化实际输出与期望值间的差异,直到答案更接近人所认为的现实情况,借以模仿人类自然神经元而进行判断的行为。
然而这种训练方式也有其缺点存在,也就是所谓的“混沌盲目性”(chaos blindness,也称为:混乱失明,指神经网络对这种混乱状态认知的一种失明或盲目性。):在某些时刻,AI系统就是无法做出预测,或对系统中的混乱做出反应。
在《物理评论E》(Physical Review E)的最新论文中,NAIL研究人员或许已经找到解答。团队发现,发现,哈密顿函数似乎能帮助神经网络解决这个盲点,在学习哈密顿函数后,神经网络就开始能发现系统中的混乱并做出相应的调整。
但学习哈密顿函数对神经网络来说究竟有什么区别?
试着想像一个摆动的钟摆,随着时间推移在空间中来回摆动。如果只是在摆动过程中拍下一张照片,照片并无法告诉你钟摆在弧形中的哪个位置或前进方向,而这正是过去神经网络在做决定时所面临的难题。
相较之下,由于哈密顿函数解释了动态物理系统的完整信息,包含动能、势能在内所有能量的总量,熟悉哈密顿函数的神经网络将能掌握更多信息:钟摆在哪里、可能移动的位置及运动所涉及的能量。
在概念验证项目中,NAIL团队将哈密顿结构纳入神经网络中,再将其应用于用来计算恒星和分子动力学的模型,结果显示,即使系统在有序和混沌之间移动,学习了哈密顿结构的神经网络并没有陷入盲目,能够符合需求准确预测。
NAIL客座研究员的物理学教授John Lindner形容,哈密顿函数就像一种“特殊调味料”,赋予神经网络学习秩序与混乱的能力,有了哈密顿函数,神经网络现在能以一种过去无法做到的方式理解潜在的动力学。这是让神经网络精通物理学的第一步,可以帮助我们解决许多难题。
喜欢科技资讯的小伙伴,一定要给个关注哦!小编每天连夜更新全球最新的科技动态!
领取专属 10元无门槛券
私享最新 技术干货