Un “Fisico dell’intelligenza artificiale” può sovraperformare Einstein?

Il sistema AI del MIT è in grado di derivare leggi della fisica in mondi misteriosi.

Fonte: geralt / pixabay

La fisica è un campo scientifico importante: è una scienza fondamentale con principi che influiscono su altri rami delle scienze naturali. Spiega la natura e le proprietà di materia, energia, movimento e forza. Le leggi della fisica hanno rilevanza nel mondo reale e sono impiegate in prodotti e servizi utilizzati nella vita moderna di tutti i giorni. Dalle leggi dell’auto, degli aeroplani, degli smartphone, delle cuffie, alle vedute di un parco giochi, le leggi della fisica influiscono sul modo in cui viviamo. Recentemente un gruppo di ricerca del Massachusetts Institute of Technology (MIT) ha creato un sistema di intelligenza artificiale (AI) che impiega secoli di euristica dei fisici per ricavare leggi della fisica da mondi complessi e simulati. Un fisico che apprende a macchina può capire le leggi naturali del nostro mondo meglio di un fisico umano?

La fisica applicata ha portato innovazione in ottica, energia, elettronica, laser, lidar, calcolo, imaging a risonanza magnetica, sonar, radar, semiconduttori, scienza dei materiali, propulsione elettromagnetica e esplorazione dello spazio. La fisica interdisciplinare include la neurofisica, la psicofisica, l’acustica, la nanotecnologia, la biofisica, l’astrofisica e l’econofisica. Le scoperte della fisica hanno opportunità commerciali reali.

• Boredomtunity: perché la noia è la cosa migliore per i nostri bambini
• I leader di 4 modi possono stimolare l’innovazione
• L’euforia e l’angoscia di una mente agile
• Come individuare un cattivo leader, nel 2009 e nel 2019
• “Just Preservation” favorisce il valore intrinseco degli animali

Il team di ricerca del MIT di Tailin Wu e Max Tegmark ha incorporato quattro strategie comunemente utilizzate dai fisici: divide et impera, il rasoio di Occam, l’unificazione e l’apprendimento permanente nello sviluppo del loro algoritmo per il fisico dell’IA.

I fisici di tutti i tempi ci hanno fornito teorie per spiegare il fenomeno naturale e il nostro universo come la meccanica quantistica, la relatività generale, la legge di gravitazione universale di Newton, il Big Bang, la teoria M, la teoria delle superstringhe, la teoria dell’unificazione generale, la teoria del BCS e la teoria di Bloch, per dirne alcuni. Wu e Tegmark hanno utilizzato un approccio innovativo incentrato sull’apprendimento e l’elaborazione delle teorie delle macchine, piuttosto che sul metodo standard di applicare un singolo modello di grandi dimensioni a tutti i dati.

Wu e Tegmark hanno implementato una strategia divide et impera per trovare teorie individuali da osservazioni complesse. L’algoritmo apprende più teorie che descrivono parte dei dati complessivi. Ogni teoria è incoraggiata algoritmicamente a specializzarsi nel suo rispettivo dominio, premiando i gradienti più grandi per teorie più performanti.

• In che modo i partner improbabili si sono sfidati a vicenda per innovare
• L’arte di Innohacking
• 7 punti di forza di Deep Souls
• Salute mentale “Lite”
• Come la tua azienda può sfruttare al meglio diverse prospettive

Il rasoio di Occam, noto anche come legge della parsimonia, è un approccio per la risoluzione dei problemi che quando si forniscono ipotesi multiple, è più probabile che sia quella che ha il minor numero di ipotesi. In altre parole, più semplice è la spiegazione, meglio è. Il rasoio di Occam è stato incorporato riducendo al minimo la lunghezza totale della descrizione nell’algoritmo. Nello specifico, il metodo utilizzava la teoria dell’inferenza di Solomonoff legata all’approccio AIXI di Hutter all’intelligenza artificiale generale.

Usando il concetto strategico di unificazione, Wu e Tegmark hanno introdotto parametri specifici con l’obiettivo di unificare le teorie apprese. Si tratta di identificare le somiglianze fondamentali tra varie teorie e riunirle in un’unica teoria completa. L’obiettivo desiderato è avere una teoria generale che possa generare un continuum di teorie.

Il team ha incorporato il concetto di apprendimento permanente nell’architettura in modo che la conoscenza sia accumulata e le esperienze passate siano preservate. Il modello ricorda le soluzioni apprese e le mette alla prova su problemi futuri.

Il risultante agente di apprendimento automatico senza supervisione, denominato “AI Physicist”, è stato testato in ambienti di fisica sempre più complessi in mondi simulati che avevano combinazioni casuali di movimento armonico, rimbalzi elastici, gravità ed elettromagnetismo.

Il team ha creato 40 mondi “misteriosi” con leggi naturali della fisica che variavano da un luogo all’altro. Nell’esperimento, oltre a testare il fisico di intelligenza artificiale, Wu e Tegmark avevano un agente “di base” e un fisico di intelligenza artificiale “appena nato” che non era stato esposto a esempi precedenti, e quindi una strategia di apprendimento permanente non aveva alcun impatto. Sia il neonato che il fisico dell’IA hanno dimostrato di risolvere oltre il 90 percento di tutti i 40 mondi misteriosi. Il team ha scoperto che proprio come con gli scienziati umani, una strategia di apprendimento permanente aiuta il fisico di intelligenza artificiale a ottenere risultati migliori e ad imparare più velocemente con meno dati in nuovi ambienti.

Tra tutti i campi scientifici, la fisica è probabilmente una delle migliori per applicare l’intelligenza artificiale. L’universo è intrinsecamente complesso e sfruttare le capacità di riconoscimento del modello di apprendimento automatico non supervisionato potrebbe rivelare potenzialmente alcune nuove idee. Wu e Tegmark cercano di “migliorare le tecniche per semplificare reti neurali apprese complesse”. Progettano di ridurre ulteriormente e semplificare la futura architettura del modello di AI Physicist per migliorare sia la velocità che l’accuratezza dei futuri agenti di apprendimento automatico non supervisionati.

Secondo i ricercatori, il fisico di IA “in genere apprende più velocemente e produce errori di previsione medi-quadrati circa un miliardo di volte più piccoli di una rete neurale feedforward standard di complessità comparabile.”

Alla fine, il fisico di AI può evolversi per comprendere le leggi naturali del nostro mondo meglio di un fisico umano? Guarda questo spazio nel tempo.

Copyright © 2018 Cami Rosso Tutti i diritti riservati.

Riferimenti

Wu, Tailin, Tegmark, Max. “Verso un fisico dell’intelligenza artificiale per l’apprendimento senza supervisione”. ArXiv : 1810.10525. 6 novembre 2018. Estratto il 12-19-2018 da https://arxiv.org/pdf/1810.10525.pdf