盡管人工智能系統(tǒng)繼續(xù)取得長足進(jìn)步 但它們在應(yīng)對不可預(yù)測性方面仍然不是特別擅長

盡管人工智能系統(tǒng)繼續(xù)取得長足進(jìn)步，但它們在應(yīng)對混亂或不可預(yù)測性方面仍然不是特別擅長?，F(xiàn)在，研究人員認(rèn)為，他們已經(jīng)通過教授AI有關(guān)物理學(xué)的方法找到了解決此問題的方法。

更具體地說，向他們教授哈密??頓函數(shù)，該函數(shù)為AI提供有關(guān)動態(tài)系統(tǒng)整體的信息：其中包含的所有能量，包括動力學(xué)和勢能。

神經(jīng)網(wǎng)絡(luò)旨在將人腦輕松地模擬為復(fù)雜的，經(jīng)過加權(quán)的復(fù)雜類型的AI，然后對正在發(fā)生的事情有“更大的了解”，這可能為讓AI解決越來越難的問題提供可能性。

北卡羅來納州立大學(xué)的物理學(xué)家約翰·林德納說： “哈密頓量確實是一種特殊的調(diào)味料，它使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)秩序和混亂。”

“有了哈密頓算子，神經(jīng)網(wǎng)絡(luò)以一種傳統(tǒng)網(wǎng)絡(luò)無法理解的方式來理解潛在的動力學(xué)。這是邁向物理學(xué)的神經(jīng)網(wǎng)絡(luò)的第一步，可以幫助我們解決難題。”

研究人員將漢密爾頓函數(shù)的引入與擺錘進(jìn)行了比較-它向AI提供有關(guān)擺錘旋轉(zhuǎn)速度及其行進(jìn)路徑的信息，而不是僅向AI顯示某一時刻的擺錘快照。

新的研究發(fā)現(xiàn)，如果神經(jīng)網(wǎng)絡(luò)能夠理解哈密頓流，那么，在這種類比中，擺在哪里，可能在哪里移動，以及它所具有的能量，那么它們就能更好地管理混沌的有序引入。

不僅如此，還可以提高它們的效率：無需大量額外的神經(jīng)節(jié)點，就能夠更好地預(yù)測動態(tài)，不可預(yù)測的結(jié)果。它有助于AI快速更全面地了解世界的實際運行方式。

為了測試他們新近改進(jìn)的AI神經(jīng)網(wǎng)絡(luò)，研究人員將其與通常被稱為Hénon-Heiles模型的基準(zhǔn)進(jìn)行了比較，該模型最初是為模擬恒星在太陽周圍的運動而創(chuàng)建的。

哈密??頓神經(jīng)網(wǎng)絡(luò)成功通過了測試，正確預(yù)測了系統(tǒng)在有序和混沌狀態(tài)下的動力學(xué)。

改進(jìn)后的AI可以用于從診斷醫(yī)療狀況到駕駛無人駕駛飛機的所有領(lǐng)域。

我們已經(jīng)看到AI 模擬太空，診斷醫(yī)療問題，升級電影和開發(fā)新藥，相對而言，該技術(shù)才剛剛起步–還在前進(jìn)。這些新發(fā)現(xiàn)應(yīng)對此有所幫助。

研究人員在論文中寫道：“如果混沌是非線性的'超級力量'，從而使確定性動力學(xué)幾乎不可預(yù)測，那么哈密頓量就是一個神經(jīng)網(wǎng)絡(luò)'秘密調(diào)味料'，它是一種特殊的成分，可以學(xué)習(xí)和預(yù)測階次和混沌。” 紙。