دانشمندان آلمانی یک مدل هوش مصنوعی شبیه به «آلبرت اینشتین» ساختند

دانشمندان آلمانی یک مدل هوش مصنوعی را طوری آموزش داده اند تا مانند فیزیکدانان بزرگی همچون آلبرت اینشتین و اسحاق نیوتن فکر کند.

به گزارش ایسنا به نقل از آی ای، دانشمندان مرکز پژوهشی یولیش (Jülich) در آلمان با موفقیت هوش مصنوعی را به گونه ای آموزش داده اند که مانند آلبرت اینشتین و اسحاق نیوتن فکر کند.

این مدل با استفاده از این روش یادگیری میتواند الگوها را در مجموعه داده های پیچیده تشخیص دهد و یک نظریه فیزیکی برای آنها تشکیل دهد.

تاریخ نام هایی مانند اینشتین یا نیوتن را خوب به خاطر دارد، زیرا آنها نظریه های جدیدی را به ما ارائه کردند که نام شان را در تاریخ ثبت کرده است. نظریه های آن ها پدیده های متعددی را که در اطراف ما رخ می دهد، توضیح می دهند.

به عنوان مثال، قوانین گرانش نیوتن به ما کمک کرده است تا نیروی گرانش را نه تنها روی زمین توضیح دهیم، بلکه به ما کمک کرده تا حرکت سیارات دیگر، ماه و سایر اجرام آسمانی را نیز به طور دقیق پیش بینی کنیم.

آموزش هوش مصنوعی فیزیکدان

دو رویکرد عمده برای تشکیل یک نظریه یا فرضیه جدید وجود دارد. میتوان از قوانین شناخته شده در یک حوزه شروع کرد و فرضیه های جدیدی را از آنها استخراج کرد یا سعی کرد با نظریه ای جدید رفتار یک شیء یا یک پدیده جدید را توضیح داد. با این حال بخش دشوار این مسئله، انتخاب رویکرد مناسب برای رسیدن به فرضیه است.

پژوهشگران قبل از تلاش برای آموزش هوش مصنوعی برای تفکر در مورد فیزیک، از خود فیزیک برای درک عملکرد هوش مصنوعی استفاده می کردند.

کلودیا مرجر پژوهشگر موسسه یولیش از یک شبکه عصبی برای ترسیم دقیق رفتار پیچیده در یک سیستم ساده تر استفاده کرد. هوش مصنوعی (Artificial Intelligence) این کار را با ساده کردن تعاملات پیچیده بین اجزای سیستم انجام داد.

سپس تیم تحقیقاتی از این سیستم ساده شده برای ایجاد یک نقشه معکوس با هوش مصنوعی آموزش دیده استفاده کرد. این سیستم با بازگشت از اجزای ساده به اجزای پیچیده، نظریه جدیدی را توسعه داد. این رویکرد مشابه چیزی بود که یک فیزیکدان ممکن است انتخاب کند، با این تفاوت که فعل و انفعالات در پارامترهای تعریف شده توسط هوش مصنوعی قابل خواندن بودند. پژوهشگران این را «هوش مصنوعی فیزیکدان» می نامند.

سیستم جدید چه تفاوتی با سایر مدل های هوش مصنوعی دارد؟

کلودیا مرجر بررسی کرد که چگونه زیرساخت های کوچکتر در اعداد دست نویس شده از تعامل بین پیکسل ها تشکیل شده اند تا نشان دهد مدل هوش مصنوعی چگونه می تواند فکر کند. پژوهشگران با کمک هوش مصنوعی این نظریه را مطرح کردند که گروه هایی از پیکسل های روشن تر در شکل اعداد دست نویس نقش دارند.

استفاده از هوش مصنوعی مفید است، زیرا امکان مطالعه همزمان تعداد زیادی از تعاملات را فراهم می کند. در حالی که این کار، تلاش محاسباتی را بهبود می دهد، تنها می توان به سیستم های بسیار کوچک بدون دخالت هوش مصنوعی نگاه کرد.

تفاوت این سیستم با سایر مدل های هوش مصنوعی که قبلاً منتشر شده اند، نحوه آموزش آن و درک ما از نحوه عملکرد آن است. بطور معمول، مدل های هوش مصنوعی داده های مورد استفاده برای آموزش را یاد می گیرند و این یادگیری در پارامترهای سیستم آموزش دیده پنهان است.

پژوهشگران به جای استفاده از رویکرد فیزیک هوش مصنوعی، با موفقیت تئوری آموخته شده توسط رایانه و زبانی را که برای توضیح تعاملات بین اجزای سیستم استفاده می کند، استخراج کرده اند.

موریتز هلیاس، پژوهشگر ارشد این مطالعه در بیانیه ای مطبوعاتی گفت: از این سیستم می توان برای ایجاد پلی بین عملکردهای پیچیده هوش مصنوعی و نظریه هایی که انسان میتواند درک کند، استفاده کرد.

یافته های این پژوهش در مجله Physical Review X منتشر شده است.