機器學習演算法迴避了科學方法 - thenewstack

banq發表於2021-09-08
機器學習演算法

科學方法——基於觀察過程、提出假設，然後透過實驗來證明或反駁該假設——幾個世紀以來一直是現代科學的基石。這是一種被許多科學領域使用的技術，因為它提供了一個結構化的指南，可以使用經驗證據來邏輯地和理性地回答一個問題。這種方法將人類帶出黑暗時代，進入了當今物理學、天文學和現代科學領域取得突破性發現的時代。
但是在科學研究中是否存在不需要科學方法的情況？普林斯頓大學等離子體物理實驗室(PPPL) 的一組研究人員現在提出這確實是可能的——透過使用一種可以預測行星物理軌道的機器學習演算法，而無需基於物理定律。
關於這項工作的論文，最近發表在《科學報告》上，概述了該團隊如何根據有關水星、金星、地球、火星、木星和矮行星穀神星的已知軌道資料訓練機器學習演算法。這種機器學習演算法與團隊所謂的“服務演算法”相結合，然後被用來預測其他行星的軌道——包括太陽系的拋物線和雙曲線逃逸軌道——而無需輸入牛頓定律運動和引力。
反，這種方法形成了團隊所說的離散場論，它將宇宙建模為一種“黑匣子”。這種方法意味著人們可以從“資料到資料”——從訓練資料到預測——而不依賴物理定律提供的中間步驟。
值得強調的是，服務和學習演算法並不知道、學習或使用牛頓運動定律和萬有引力定律。
離散場論直接將觀測資料和新的預測聯絡起來。不需要牛頓定律。
從本質上講，該團隊的演算法能夠學習行星運動的規律並理解任何物理系統背後的動力學，僅透過幾個例子進行訓練。該演算法不需要依賴求解複雜的微分方程來提供高度準確的預測。
我們可能最熟悉機器學習演算法，因為它們用於推薦引擎、 面部識別和自然語言處理應用程式。然而，在物理學領域，機器學習演算法通常用於對複雜過程進行建模，例如磁聚變裝置中的等離子體破裂，或對流體的動態運動進行建模。在普林斯頓團隊的這項工作中，該演算法跳過了需要使用物理學慣例進行顯式程式設計的中間步驟。
 
研究人員的方法部分受到牛津哲學家尼克博斯特羅姆哲學思想實驗的啟發，即宇宙實際上是一個計算機模擬。Bostrom 的模擬假設指出，人類可能已經進入了一個高度技術化的“後人類”階段，在這個階段可以使用巨大的計算能力。
模擬假設指出，物理宇宙是一個計算機模擬，物理學家正在仔細檢查它作為可能的現實，如果假設成立，那麼時空必然是離散的。物理學中的場論也是如此。然後，至少從理論的角度來看，認為離散域理論的一些機器學習和服務演算法是離散宇宙（即計算機模擬）執行以最小化動作的方法是合理的。
 
該團隊表示，他們的新方法可能會在預測等離子體粒子在聚變能實驗中的行為方面有一些有趣的應用。當兩個或多個原子核結合形成一個或多個不同的原子核和亞原子粒子時，就會發生聚變，從而產生大量能量。核聚變是恆星的主要能量來源，如果科學家能夠預測聚變過程是如何工作的，這可能是將其用作近乎無限的可再生能源的一種方式。



 

相關文章