為了更好應對失序環境,神經網路現在也要學物理了

作者 | 發布日期 2020 年 06 月 23 日 11:50 | 分類 AI 人工智慧 Telegram share ! follow us in feedly


過去幾年間,深度學習的進步已帶來許多嶄新的 AI 應用,但其中仍有許多侷限存在,為了推動相關技術發展,科學家打算更進一步讓人工神經網路向人類看齊:學習物理。

北卡羅萊納州立大學非線性 AI 實驗室(NAIL)研究人員發現,透過教導神經網路物理知識,可以讓它們更好適應環境中的混亂,未來或許還能改善從醫療診斷到無人駕駛的 AI 應用。

以目前來說,神經網路主要是使用大數據訓練,透過大量資訊調整數字權重和偏差,最小化實際輸出與期望值間的差異,直到答案更接近人所認為的現實情況,藉以模仿人類自然神經元進行判斷的行為。

然而這種訓練方式也有其缺點存在,也就是所謂的「混沌失明」(chaos blindness):在某些時刻,AI 系統就是無法做出預測,或對系統中的混亂做出反應。

《物理評論 E》(Physical Review E)的最新論文中,NAIL 研究人員或許已經找到解答。團隊發現,發現,哈密頓函數(Hamiltonian function)似乎能幫助神經網路解決這個盲點,在學習哈密頓函數後,神經網路開始能發現系統中的混亂並做出相應的調整。

但學習哈密頓函數對神經網路來說究竟有什麼區別?

試著想像一個擺動的鐘擺,隨著時間推移在空間中來回移動。如果只是在擺動過程中拍下一張照片,照片並無法告訴你鐘擺在弧形中的哪個位置或前進方向,而這正是過去神經網路在做決定時所面臨的難題。

相較之下,由於哈密頓函數解釋了動態物理系統的完整資訊,包含動能、位能在內所有能量的總量,熟悉哈密頓函數的神經網路將能掌握更多資訊:鐘擺在哪裡、可能移動的位置及運動所涉及的能量。

在概念驗證項目中,NAIL 團隊將哈密頓結構納入神經網路中,再將其應用於用來計算恆星和分子動力學的 Hénon-Heiles 模型,結果顯示,即使系統在有序和混沌之間移動,學習了哈密​​頓結構的神經網路並沒有陷入盲目,能夠符合需求準確預測。

NAIL 客座研究員、伍斯特學院物理學教授 John Lindner 形容,哈密頓函數就像一種「特殊調味料」,賦予神經網路學習秩序與混亂的能力,有了哈密頓函數,神經網路現在能以一種過去無法做到的方式理解潛在的動力學。

「這是讓神經網路精通物理學的第一步,可以幫助我們解決許多難題」。

(首圖來源:shutterstock)