天文学家想破头的物理定律AI轻松解决 未来或揭开量子力学之谜

　　天文学家花了几个世纪才弄清楚的定律，但现在，一种受大脑启发的机器学习算法根据太阳和火星在地球上的运动轨迹，计算出了太阳位于太阳系中心的位置。这一壮举是对一项技术的首次测试，研究人员希望他们能够利用这项技术发现新的物理定律，或许还能通过在大数据集中发现模式来重新构建量子力学。研究结果将发表在《物理评论》上。

　　苏黎世瑞士联邦理工学院(ETH)的物理学家Renato Renner和他的合作者想要设计一种算法，可以将大量数据集分解为几个基本公式，从而模仿物理学家提出诸如E = mc2的简洁方程式。为此，研究人员必须设计一种新型的神经网络，这是一种受大脑结构启发的机器学习系统。

　　传统的神经网络通过庞大的数据集训练来学习识别物体，例如图像或声音。他们发现了一般特征，例如，“四条腿”和“尖尖的耳朵”可能被用来识别猫。。然后，他们将这些特征编码到数学“节点”中，即神经元的人工等效物。但是，神经网络不是像物理学家那样将这些信息提炼成几个易于解释的规则，而是有点像一个黑匣子，将它们获得的知识以不可预测、难以解释的方式传播到数千甚至数百万个节点上。

　　因此， Renner的团队设计了一种“整体化”的神经网络：两个子网仅通过少数几个链接相互连接。第一个子网将像典型的神经网络一样从数据中学习，第二个子网将使用该“经验”来进行和测试新的预测。由于几乎没有连接双方的链路，因此第一个网络被迫以压缩格式将信息传递给另一侧。 Renner把这比作一个导师如何把他们学到的知识传授给学生。

　　行星定位

　　最初的测试之一是向该网络提供从地球上看到的火星和太阳在天空中运动的模拟数据。从这个角度来看，火星的太阳轨道似乎不稳定，例如，它周期性地“逆行”，改变轨道。几个世纪以来，天文学家一直认为地球处于宇宙的中心，他们认为行星绕着小圈运行，即所谓的本轮，以此来解释火星的运动。但是在16世纪，哥白尼发现，如果地球和行星都在绕太阳公转，则可以用更简单的公式系统预测运动。

　　加拿大多伦多大学的物理学家马里奥·克伦(Mario Krenn)致力于将人工智能应用于科学发现，他说，研究小组的神经网络得出了哥白尼式的火星轨迹公式，重新发现了“科学史上最重要的范式转变之一”。

　　Renner强调，尽管该算法可以推导公式，但仍需用肉眼来解释方程式，并了解它们与行星围绕太阳运动的关系。

　　纽约市哥伦比亚大学的机器人学家霍德·利普森说，这项工作很重要，因为它能够找出描述物理系统的关键参数。他说：“我认为，这些技术是我们理解并跟上日益复杂的物理学中乃至其它现象的唯一希望。”

　　Renner和他的团队希望开发机器学习技术，以帮助物理学家解决量子力学中的明显矛盾。该理论似乎对实验的结果以及遵守其定律的观察者的观察方式产生了相互矛盾的预测。

　　Renner说：“在某种程度上，目前量子力学的表述方式可能只是历史的人工产物。” 他补充说，计算机可以得出一个没有这些矛盾的公式，但该团队最新的技术还不够成熟，无法做到这一点。为了实现这一目标，他和他的合作者们正在尝试开发一种神经网络，不仅可以从实验数据中学习，而且还可以提出全新的实验来验证其假设。

　　破解“三体问题”

　　自牛顿时代以来，就需要进行令人费解的计算，以预测三个天体彼此之间如何相互干扰，物理学家们对此头疼不已。现在人工智能已经表明，按照以前方法来计算，它只需要一小部分时间内解决这个问题。

　　牛顿是第一个在17世纪提出这个问题的人，但是找到一个简单的方法来证明它是非常困难的。行星、恒星和卫星等三个天体之间的引力相互作用导致了一个混沌系统——一个对每个天体的起始位置非常复杂和敏感的系统。

　　目前解决这些问题的方法涉及使用软件，可能需要数周甚至数月才能完成计算。因此，研究人员决定看看神经网络——一种大致模仿大脑工作方式的识别人工智能的模式——是否能做得更好。

　　他们构建的算法提供的精确解比最先进的软件程序(称为Brutus)快1亿倍。可以证明天文学家们试图了解星团的行为和整个宇宙的演化。这一研究来自剑桥大学的生物统计学家克里斯·弗利，他的论文发表在arXiv数据库，尚未经过同行评议。

　　“这个神经网络，如果做得好，应该能够在前所未有的时间范围内为我们提供解决方案。”他表示，“所以我们可以开始思考更深入的问题，比如引力波是如何形成的。”

　　神经网络必须通过输入数据进行训练，然后才能进行预测。因此，研究人员必须使用Brutus生成9900个简化的三体场景，布鲁图是当前解决三体问题的领导者。

　　然后，他们测试了神经网络预测5000种不可见场景的进化的能力，发现其结果与Brutus的结果非常接近。然而，与Brutus将近2分钟的时间相比，基于程序的人工智能平均只需几分之一秒就能解决问题。

　　“像‘Brutus’这样的程序速度如此之慢的原因在于，它们是通过蛮力来解决问题的。” 弗利说，并对天体运行轨迹的每一小步进行计算。另一方面，神经网络只是简单地观察这些计算产生的运动，并推断出一种模式，这种模式可以帮助预测未来的情景如何发展。