Новый компьютерный алгоритм, или набор правил, который точно предсказывает орбиты планет в Солнечной системе, может быть адаптирован для лучшего прогнозирования и управления поведением плазмы, которая питает термоядерные установки, предназначенные для использования на Земле энергии синтеза, которая питает Солнце и звезды.
Алгоритм, разработанный ученым из Принстонской лаборатории физики плазмы Министерства энергетики США (DOE), применяет машинное обучение, форму искусственного интеллекта (ИИ), который учится на опыте, для разработки прогнозов.
“Обычно в физике вы делаете наблюдения, создаете теорию, основанную на этих наблюдениях, а затем используете эту теорию для предсказания новых наблюдений”, – сказал физик PPPL Хун Цинь, автор статьи, подробно описывающей эту концепцию. “То, что я делаю, – это замена такого процесса типом черного ящика, который может производить точные предсказания без использования традиционной теории или закона.”
Хун Цинь создал компьютерную программу, в которую вводил данные прошлых наблюдений орбит Меркурия, Венеры, Земли, Марса, Юпитера и карликовой планеты Цереры. Эта программа, наряду с дополнительной программой, известной как “обслуживающий алгоритм”, затем делала точные предсказания орбит других планет Солнечной системы без использования законов движения и гравитации Ньютона. – По сути, я обошел все фундаментальные составляющие физики. Я иду прямо от данных к данным, – сказал Цинь. – В середине нет никакого закона физики.”
Программа не случайно наталкивается на точные предсказания. “Хун Цинь научил программу основному принципу, используемому природой для определения динамики любой физической системы”, – сказал Джошуа Берби, физик из Лос-Аламосской национальной лаборатории. “Выигрыш заключается в том, что сеть изучает законы движения планет после того, как наблюдает некоторое количество обучающих примеров. Другими словами, его код действительно “изучает” законы физики.”
Машинное обучение – это то, что делает возможными компьютерные программы, такие как Google Translate. Google Translate просеивает огромное количество информации, чтобы определить, как часто одно слово на одном языке было переведено на слово на другом языке. Таким образом, программа может сделать точный перевод, фактически не изучая ни один из языков.
Этот процесс также проявляется в философских мысленных экспериментах, таких как “Китайская комната” Джона Серла. В этом случае человек, не знающий китайского языка, тем не менее может “перевести” китайское предложение на английский или любой другой язык, используя набор инструкций или правил, которые заменят понимание. Мысленный эксперимент поднимает вопросы о том, что в корне означает понимать что-либо вообще, и подразумевает ли понимание, что в уме происходит что-то еще, кроме следования правилам.
Хун Цинь был отчасти вдохновлен философским мысленным экспериментом оксфордского философа Ника Бострома о том, что Вселенная – это компьютерная симуляция. Если это так, то фундаментальные физические законы должны показать, что Вселенная состоит из отдельных кусков пространства-времени, как пиксели в видеоигре.
– Если мы живем в симуляции, наш мир должен быть дискретным, – сказал Хун Цинь. Метод черного ящика, разработанный Цинь, не требует, чтобы физики верили гипотезе моделирования буквально, хотя он строится на этой идее, чтобы создать программу, которая делает точные физические предсказания.
Получившееся в результате пикселизированное представление о мире, сродни тому, что изображено в фильме “Матрица”, известно как дискретная теория поля, которая рассматривает Вселенную как состоящую из отдельных битов и отличается от теорий, которые обычно создают люди. В то время как ученые обычно разрабатывают всеобъемлющие концепции поведения физического мира, компьютеры просто собирают набор точек данных.
Хун Цинь и Эрик Палмердука, аспирант Программы Принстонского университета по физике плазмы, в настоящее время разрабатывают способы использования дискретных теорий поля для предсказания поведения частиц плазмы в экспериментах по термоядерному синтезу, проводимых учеными по всему миру. Наиболее широко используются термоядерные установки-токамаки, которые удерживают плазму в мощных магнитных полях.
Термоядерный синтез, энергия, которая приводит в движение солнце и звезды, объединяет легкие элементы в форме плазмы – горячего, заряженного состояния материи, состоящей из свободных электронов и атомных ядер, что составляет 99% видимой Вселенной, чтобы генерировать огромное количество энергии. Ученые стремятся воспроизвести термоядерный синтез на Земле для получения практически неисчерпаемого источника энергии.
“В магнитном термоядерном устройстве динамика плазмы сложна и многомасштабна, и эффективные управляющие законы или вычислительные модели для конкретного физического процесса, который нас интересует, не всегда ясны”, – сказал Цинь. “В этих сценариях мы можем применить метод машинного обучения, который я разработал для создания дискретной теории поля, а затем применить эту дискретную теорию поля для понимания и прогнозирования новых экспериментальных наблюдений.”
Этот процесс открывает вопросы о природе самой науки. Разве ученые не хотят развивать физические теории, которые объясняют мир, вместо того, чтобы просто накапливать данные? Разве теории не фундаментальны для физики и не необходимы для объяснения и понимания явлений?
– Я бы сказал, что конечной целью любого ученого является предсказание, – говорит Хун Цинь. – Возможно, вам не обязательно нужен закон. Например, если я могу точно предсказать орбиту планеты, мне не нужно знать законы тяготения и движения Ньютона. Вы можете возразить, что таким образом вы поймете меньше, чем если бы знали законы Ньютона. В каком-то смысле это правильно. Но с практической точки зрения делать точные прогнозы – это не значит делать что-то меньшее.”
Машинное обучение также может открыть возможности для проведения дополнительных исследований. “Это значительно расширяет круг проблем, которые вы можете решить, потому что все, что вам нужно, – это данные”, – добавляет Эрик Палмердука.
Этот метод также может привести к развитию традиционной физической теории.
“Хотя в некотором смысле этот метод исключает необходимость такой теории, его также можно рассматривать как путь к ней. Когда вы пытаетесь вывести теорию, вы хотели бы иметь в своем распоряжении как можно больше данных. Если вам даны некоторые данные, вы можете использовать машинное обучение, чтобы заполнить пробелы в этих данных или иным образом расширить набор данных.”
Источник: