Egy új MI bármilyen, nem csak fizikával kapcsolatos adatsorban képes felfedezni a rejtett mozgásegyenleteket

2021 / 12 / 10 / Felkai Ádám
Egy új MI bármilyen, nem csak fizikával kapcsolatos adatsorban képes felfedezni a rejtett mozgásegyenleteket
Mozgásegyenlet akadhat számtalan, a fizikához akár nem is közvetlenül kapcsolódó adatsorban. Egy új mesterséges intelligencia azonban képes felfedezni a rejtett összefüggéseket.

A japán Kobe University és az Osaka University kutatói sikeresen fejlesztettek ki olyan mesterséges intelligencia alapú technológiát, amellyel a szokásos megfigyelési adatokból rejtett mozgásegyenleteket lehet kinyerni, és olyan modellt alkotni, amely hű a fizika törvényeihez. Mindez kicsit bonyolultan hangozhat, de a lényeg mindössze ennyi: az elmúlt években kiderült, hogy a Newton-törvényeket nem csak a fizikában, de egyéb területeken is fel lehet használni a jelenségek leírására, végső soron tehát a modellezésre – ilyen terület például az ökoszisztéma változása. Viszont maga a konkrét mozgásegyenlet sok esetben még nem derült ki.

A mesterséges intelligencia elvileg lehetőséget teremthet ezen egyenletek – végső soron tehát a rejtett összefüggések feltárására, csak akad egy önellentmondás: jelenleg a mesterséges intelligenciát alkalmazó módszerekben olyan transzformált adatokat kell használni, amelyek illeszkednek a mozgásegyenlethez. Ehhez viszont már eleve ismernünk kell az egyenlet és az adasor kapcsolatát, és épp emiatt nehéz a mesterséges intelligenciát olyan tényleges megfigyelési adatokra alkalmazni, amelyek mozgásegyenlete ismeretlen. Vagyis az MI csak akkor tud mozgásegyenlet alapján szimulációt futtatni, ha már ismerjük az összefüggéseket, azonban új összefüggéseket magától a fentebb említett, az adatok transzformálásával kapcsolatos probléma miatt nem képes felfedezni. Legalábbis addig nem, amíg meg nem tanítjuk neki, miként végezhetné el magától az adatok átalakítását.

Az iménti mondatot leírni persze jóval egyszerűbb, mint egy ilyen MI-t ténylegesen megvalósítani, de gondoljunk csak bele: innentől számtalan terület indulhatna robbanásszerű fejlődésnek, melyek végtelen kódsoraiban az MI felfedezné a mögöttes, a mozgásegyenletekkel leírható rejtett összefüggéseket. A mostani felfedezés jelentősége pedig éppen az, hogy ehhez visz minket közelebb. A kutatócsoport ugyanis olyan mesterséges intelligenciát fejlesztett ki, amely képes megtalálni a rejtett mozgásegyenletet a bevitt megfigyelési adatokban (a formátumtól függetlenül), és ennek megfelelően elvégezni a modellezést.

Korábban is végeztek ugyanis kutatásokat a mozgásegyenletek felhasználásval, azonban a korábbi módszer tehát megkövetelte, hogy az adatok megfelelő formátumban legyenek, hogy illeszkedjenek a feltételezett mozgásegyenlet speciális, a szóban forgó adatsorra alkalmazható formájához. A valóságban azonban sok olyan eset van, amikor nem egyértelmű, hogy melyik adatformátumot érdemes használni, és ezért nehéz tehát a valóságra épülő adatokat alkalmazni a gyakorlatban.

A kutatók elképzelése az volt, hogy a megfigyelési adatok megfelelő transzformációja a geometriából ismerős koordináta-transzformációhoz hasonlít. Vagyis ha felfedezik az adott jelenségek mögött meghúzódó ismeretlen geometriai tulajdonságokat, akkor az adattranszformáció is sikeres lehet. A kutatócsoportnak erre építve sikerült kifejlesztenie azt a mesterséges intelligenciát, amely épp ezeket a geometriai tulajdonságokat képes megtalálni az adatokban. Ha pedig ezek alapján az adatokból kinyerhetőek a mozgásegyenletek, akkor ezekkel az egyenletekkel lehetőség nyílik a fizikai törvényekhez hű modellek és szimulációk megalkotására.

Gyakorlati szempontból ez az MI két módon is jelentősen hozzájárulhat bizonyos területek fejlődéséhez: fizikai szimulációkat már most számos területen végeznek, beleértve az időjárás-előrejelzést, a gyógyszerkutatást, az épületelemzéseket és az autótervezést, de ezek általában kiterjedt számításokat igényelnek. Ha azonban a mesterséges intelligencia tanulni tud bizonyos jelenségek adataiból, és a felismert törvényszerűségek alapján kis léptékű modelleket konstruál, akkor ez alaposan leegyszerűsíti és felgyorsítja az addigi bonyolultabb számításokat.

Emellett azonban a módszer olyan területeken is alkalmazható, amelyek első pillantásra nem kapcsolódnak a fizikához. Vagyis ha egy-egy ilyen adatsorból kinyerhető mozgásegyenlet, azt az MI fel fogja fedezni, és ezzel lehetővé teszi a fizikai alapú szimulációk és számítások elvégzését olyan jelenségek esetében is, amelyeket a fizika segítségével eddig lehetetlennek tartottak megmagyarázni (és egyéb törvényszerűségeket sem fedeztek fel, melyekkel működő modelleket lehetne felépíteni). Előfordulhat például, hogy az állatpopulációk adataiban találhatunk olyan rejtett mozgásegyenletet, amely az egyedszám változását írja le. Ez az egyenlet pedig felhasználható lesz az ökoszisztéma fenntarthatóságának a vizsgálatára a megfelelő fizikai törvények (pl. az energiamegmaradás törvénye) alkalmazásával. A lehetőségek tehát elképesztőek.

(Fotó: Pixabay/geralt)


Ismerd meg a ROADSTER magazint!
AUTÓK - DESIGN - GASZTRO - KULT - UTAZÁS - TECH // Ha szereted a minőséget az életed minden területén, páratlan élmény lesz!
Ezek is érdekelhetnek
HELLO, EZ ITT A
RAKÉTA
Kövess minket a Facebookon!
A jövő legizgalmasabb cikkeit találod nálunk!
Hírlevél feliratkozás

Ne maradj le a jövőről! Iratkozz fel a hírlevelünkre, és minden héten elküldjük neked a legfrissebb és legérdekesebb híreket a technológia és a tudomány világából.



This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.