Большинство моделей ИИ умеют находить закономерности в данных и делать предсказания, но не способны формулировать общие научные концепции вроде законов гравитации. Новая система меняет этот подход. «Модель имитирует человеческий научный процесс, постепенно выстраивая базу знаний из концепций и законов», — объясняет Ян-Цин Ма, физик из Пекинского университета и один из создателей системы. Способность выявлять полезные концепции означает, что система потенциально может совершать научные открытия без предварительного программирования человеком.
Модель искусственного интеллекта самостоятельно открыла второй закон Ньютона
Физики Пекинского университета разработали систему искусственного интеллекта AI-Newton, которая может самостоятельно выводить фундаментальные законы физики из экспериментальных данных. Модель воспроизвела второй закон Ньютона, описывающий связь силы, массы и ускорения, накапливая знания как человек-ученый.
Исследователи предоставили ИИ данные физических экспериментов с системами, использующими маятниковые движения, чтобы проверить, сможет ли он вывести основные законы физики. stefilyn/Getty
Символьная регрессия — это метод машинного обучения, который ищет математические уравнения, лучше всего описывающие зависимость между переменными в данных. В отличие от обычных нейросетей, которые работают как черный ящик, символьная регрессия выдает понятные человеку формулы. Метод перебирает комбинации математических операций (сложение, умножение, степени, логарифмы), чтобы построить уравнение, максимально точно соответствующее наблюдениям. Это делает подход особенно ценным для научных исследований, где важна интерпретируемость результатов.
AI-Newton использует метод символьной регрессии — модель ищет оптимальное математическое уравнение для описания физических явлений. Команда обучила систему на данных из 46 смоделированных экспериментов с движением шаров и пружин, столкновениями объектов, колебаниями и маятниками. В данные специально добавляли статистические ошибки, чтобы имитировать реальные измерения. Результаты опубликованы в препринте на arXiv.
Может ли ИИ работать как человек-физик
Тестовые эксперименты и результаты. Работа AI-Newton была протестирована на наборе из 46 экспериментов по ньютоновской механике. Для наглядности на этом рисунке опущены некоторые сложные конфигурации. AI-Newton успешно обнаружил важные общие законы, такие как закон сохранения энергии и второй закон Ньютона, хотя и с другим коэффициентом — разница в 2.
AI-Newton получил данные о положении шара в разные моменты времени и вывел уравнение для скорости. Эти знания система сохранила и применила в следующих задачах, где успешно определила массу шара, используя второй закон Ньютона. Это, безусловно, большой прогресс.
Но в другой работе ученые из Гарварда и MIT проверили способности больших языковых моделей вроде GPT и Claude на похожих задачах. Модели научились предсказывать орбиты планет (законы Кеплера), но не смогли вывести закон всемирного тяготения Ньютона, которые и задает эти орбиты. Вместо закона тяготения модели создали бессмысленные формулы.
Типы понятий, от которых отталкивается модель. Физические понятия обозначены красным цветом, а вспомогательные величины для понимания — серым.
Компьютерный ученый Кейон Вафа объясняет: «Языковая модель, обученная предсказывать исход физических экспериментов, не кодирует концепции простым и экономным способом. Вместо этого она находит какой-то совсем нечеловеческий метод аппроксимации физических решений».
Для по-настоящему автономных открытий ИИ должен участвовать во всех этапах исследования — от выбора проблемы до планирования экспериментов и проверки гипотез, но до этого пока далеко.