夢晨 發自 凹非寺
量子位 | 公衆号 QbitAI
一個讓實體學家狂喜的AI工具，在GitHub上開源了！
它名叫Φ-SO ，能直接從資料中找到隐藏的規律，而且一步到位，直接給出對應公式。
整個過程也不需要動用超算，一台筆記本大概4個小時就能搞定愛因斯坦的質能方程。
這項成果來自德國斯特拉斯堡大學與澳洲聯邦科學與工業研究組織Data61部門，據論文一作透露，研究用了1.5年時間，受到學術界廣泛關注。
代碼一經開源，漲星也是飛快。
除了實體學者直呼Amazing之外，還有其他學科研究者趕來探讨，能不能把同款方法遷移到他們的領域。
強化學習+實體條件限制
Φ-SO背後的技術被叫做“深度符号回歸”，使用循環神經網絡（RNN）+強化學習實作。
首先将前一個符号和上下文資訊輸入給RNN，預測出後一個符号的機率分布，重複此步驟，可以生成出大量表達式。
同時将實體條件作為先驗知識納入學習過程中，避免AI搞出沒有實際含義的公式，可以大大減少搜尋空間。
再引入強化學習，讓AI學會生成與原始資料拟合最好的公式。
與強化學習用來下棋、操控機器人等不同，在符号回歸任務上隻需要關心如何找到最佳的那個公式，而不關心神經網絡的平均表現。
于是強化學習的規則被設計成，隻對找出前5%的候選公式做獎勵，找出另外95%也不做懲罰，鼓勵模型充分探索搜尋空間。
研究團隊用阻尼諧振子解析表達式、愛因斯坦能量公式，牛頓的萬有引力公式等經典公式來做實驗。
Φ-SO都能100%的從資料中還原這些公式，并且以上方法缺一不可。
與其他方法入MLP相比，Φ-SO在訓練範圍之外的表現也要更好。
研究團隊在最後表示，雖然算法本身還有一定改進空間，不過他們的首要任務已經改成用新工具去發現未知的實體規律去了。
GitHub：
https://github.com/WassimTenachi/PhySO
論文：
https://arxiv.org/abs/2303.03192
參考連結：
[1]https://twitter.com/astro_wassim/status/1633645134934949888
參考連結：[1] https://twitter.com/astro_wassim/status/1633645134934949888
— 完 —
量子位 QbitAI · 頭條号簽約
關注我們，第一時間獲知前沿科技動态