Отличает новый подход способность обрабатывать комплексные системы, сложность которых намного превосходит человеческие возможности. ИИ способен работать с нелинейными системами, включающими сотни или даже тысячи взаимодействующих переменных, и сводить их к более простым правилам с гораздо меньшим количеством измерений.
«Научные открытия всегда зависели от поиска упрощенных представлений сложных процессов, — сказал Боюань Чен, директор Лаборатории общей робототехники и доцент кафедры машиностроения и материаловедения имени семьи Дикинсон в Университете Дьюка. — У нас все больше исходных данных, необходимых для понимания сложных систем, но нет инструментов, чтобы преобразовать эту информацию в те упрощенные правила, на которые полагаются ученые. Преодоление этого разрыва крайне важно».
Классический пример упрощения — расчет траектории движения пушечного ядра. Она зависит от многих факторов, включая начальную скорость и угол, сопротивление воздуха, изменяющиеся условия ветра и даже температуру окружающей среды. Однако в упрощенном виде его можно описать простым линейным уравнением, в котором учитывается только скорость и угол.
Почти сто лет назад математик Бернард Купман показал, что сложные нелинейные системы могут быть представлены математически с помощью линейных моделей. Однако представление слишком сложных систем с помощью линейных моделей часто требует построения сотен или даже тысяч уравнений, каждое из которых связано с отдельной переменной. Новая платформа ИИ основана на идее Купмана и способна решить эту проблему, пишет Science Daily.
Предложенная учеными из Университета Дьюка методика анализирует данные временных рядов из экспериментов и выявляет наиболее значимые закономерности в изменении системы. Она сочетает глубокое обучение с ограничениями, вдохновленными физикой, чтобы сузить систему до гораздо меньшего набора переменных, которые по-прежнему отражают ее основное поведение. В результате получается компактная модель, которая математически ведет себя как линейная система, оставаясь при этом верной сложности реального мира.
Для проверки подхода исследователи применили его к широкому спектру систем, от колебательного движения маятника до нелинейного поведения электрических цепей. Несмотря на значительные различия в этих системах, ИИ неизменно выявлял небольшое количество скрытых переменных, определяющих их поведение.
Во многих случаях полученные модели были более чем в 10 раз компактнее, чем модели, созданные с помощью ранних методов машинного обучения, и при этом обеспечивали надежные долгосрочные прогнозы.
Кроме того, метод не ограничивается одним лишь прогнозированием. Он позволяет выявлять стабильные состояния, известные как аттракторы, в которых система естественным образом стабилизируется с течением времени. Распознавание этих состояний имеет решающее значение при определении того, что происходит с системой: работает ли она нормально, медленно дрейфует или приближается к нестабильности.
Авторы недавнего эксперимента смогли значительно сократить количество измерений при оценке шума сложной квантовой системы. Они изучили ее поведение всего за 15 минут, в то время как сопоставимый классический подход занял бы около 20 миллионов лет.
