Этот ИИ находит простые правила там, где люди видят лишь хаос
Новый искусственный интеллект от Университета Дьюка способен выявлять простые и понятные правила, лежащие в основе поведения крайне сложных динамических систем, от физики до биологии, сводя тысячи переменных к компактным уравнениям
Short Summary
Исследователи из Университета Дьюка разработали новый ИИ-фреймворк, который анализирует данные о том, как сложные системы меняются во времени, и выводит для них простые, интерпретируемые линейные уравнения. Вдохновлённый работами динамистов, таких как Ньютон, и опираясь на теорему Купмана, ИИ способен сжимать системы с сотнями или тысячами взаимодействующих переменных в модели, которые в десятки раз компактнее созданных предыдущими методами машинного обучения, сохраняя точность долгосрочных прогнозов.
Метод сочетает глубокое обучение с физически обоснованными ограничениями для выделения наиболее значимых паттернов и скрытых переменных, определяющих поведение системы. Он успешно протестирован на широком спектре задач: от движения маятника и нелинейных электрических цепей до климатических моделей и нейронных сетей. Помимо предсказаний, ИИ также может идентифицировать устойчивые состояния системы (аттракторы), что критически важно для понимания её стабильности.
Эта разработка является шагом к созданию «машинных учёных», которые смогут автоматизировать научное открытие, особенно в ситуациях, когда традиционные физические уравнения неизвестны, неполны или слишком громоздки для вывода. В будущем команда планирует применять метод для работы с видео, аудио и биологическими сигналами, а также для оптимизации сбора данных в экспериментах, чтобы активнее раскрывать структуру изучаемых систем.
Сжатие сложности
ИИ способен радикально сокращать размерность сложных нелинейных систем, находя небольшой набор скрытых переменных, которые точно описывают их поведение, создавая модели в 10 раз компактнее аналогов
Интерпретируемость и точность
Результатом работы ИИ являются простые линейные уравнения, которые не только точны в долгосрочных прогнозах, но и интерпретируемы, что позволяет связать их с существующими научными теориями
Идентификация устойчивых состояний
Фреймворк может находить аттракторы — устойчивые состояния, к которым система стремится со временем, что является ключом к пониманию её стабильности и диагностике аномалий
Применимость к «неписаной» физике
Метод особенно ценен для изучения систем, для которых фундаментальные уравнения неизвестны, скрыты или слишком сложны для аналитического вывода, расширяя возможности научного познания
Text generated using AI
