在自然科學中,偏微分方程(Partial Differential Equation,PDE)扮演着非常重要的角色,通過 PDE 能夠揭示出很多複雜現象和演化的相關規律。
但是,它們卻異常罕見,并且人們用傳統的“紙筆”模式去發現 PDE 存在難度,這不利于對實體世界深入地了解和探索。
随着 AI 技術的興起,科學家們開始嘗試用 AI 解決傳統方法中遇到的科學難題。
機器學習有望破解上述問題嗎?
近期,來自 MIT 的研究團隊首次開發了一個基于機器學習的 AI 系統 OptPDE,通過該系統有助于發現那些全新的可積分 PDE。
值得關注的是,該系統還提供了一種具有發展前景的“AI+人類科學家”的協作模式。
具體來說,通過這種協作的新範式,可實作“提出假設-驗證問題”的研究閉環流程。二者的具體分工為:AI 系統提出 PDE 的相關假設,人類科學家則根據這些新發現或假設,對其進行驗證和分析。
該研究提供了一種全新的科研範式,有望在未來通過将 AI 引入實體學加速科學發現。
圖丨 OptPDE 流程的可視化表示(來源:arXiv)
該論文作者之一、MIT 大學生蘇巴什·坎塔姆内尼(Subhash Kantamneni)在 X 發帖表示:“我們希望實體學家可以使用 OptPDE,來發現更多用于複雜現象模組化的新型可積偏微分方程。
值得注意的是,OptPDE 需要人工智能和人類科學家共同協作,我們希望實體學界能夠接受這種範式,充分利用現代人工智能工具的優勢。”
近日,相關論文以《OptPDE:通過人工智能-人類協作發現新的可積系統》(OptPDE: Discovering Novel Integrable Systems via AI-Human Collaboration)為題發表在 arXiv 上 [1]。
論文作者包括 MIT 的大學生蘇巴什·坎塔姆内尼(Subhash Kantamneni)、博士研究所學生劉子鳴和馬克斯·泰格馬克(Max Tegmark)教授。
圖丨相關論文(來源:arXiv)
在該研究中,研究人員以 ux=> uxxx3 為例,将 5000 個随機初始化的可積 PDE 系數值,用 OptPDE 系統進行運算。
進一步地,他們找到了 4 個可積 PDE,包括 1 個已知的 Korteweg–de Vries 方程,以及 3 個全新的、此前從未出現過的可積 PDE。
根據以上資訊,研究人員判斷,在新出現的可積 PDE 中,應該存在一個以上的守恒量。
(來源:arXiv)
基于論文描述,OptPDE 的優勢還展現在,研究人員“能夠通過該體系主動優化和設計偏微分方程的系數”。
用這樣的方式來最大化守恒量的數量(number of conserved quantities,nCQ),以此進一步發現新的可積系統,這種進步是傳統方法無法做到的。
為了計算任何偏微分方程的 nCQ,研究人員引入了 CQFinder。它可以根據人類科學家指定的符号基礎,來檢索這些 nCQ 的符号公式,該工具有助于了解和驗證由機器學習模型提出的相關假設。
實際上,在該研究出現之前,在領域内已經有學者通過機器學習,基于實體資料以及 PDE 來發現守恒量。而 OptPDE 的獨特性在于,它具有對 PDE 的可解釋性,也為在後續環節人類科學家對相關假設進行驗證提供了基礎。
圖丨馬克斯·泰格馬克(Max Tegmark)教授(左)與劉子鳴(來源:資料圖)
泰格馬克是一位瑞典裔美國實體學家,主要研究方向是利用 AI 進行實體學研究和利用實體學推動人工智能的發展。他的研究興趣還包括宇宙學,将理論工作與新的測量結果相結合,以對宇宙學模型及其自由參數進行限制。
劉子鳴大學畢業于北京大學實體系,目前是 MIT 三年級博士研究所學生,博士導師為泰格馬克教授,他的研究興趣集中在 AI 和實體學(以及科學的其他領域)的交叉領域。
就在不久前,同樣是泰格馬克教授帶領的 MIT 團隊,還與美國加州理工學院和美國東北大學等團隊的研究人員合作,共同開發了一種新型神經網絡結 Kolmogorov–Arnold Networks(KAN)[2]。
根據相關結果,相較于傳統的多層感覺器,KAN 的性能更優越能,并且它還将神經網絡的準确性和可解釋性進行了提升。
值得關注的是,KAN 的可視化以及互動性展現了它在研究中的應用潛力,有望助力科學家發現全新的數學規律以及實體規律。
總體來說,該研究為 AI 和科學家的協同研究帶來了更多的想象空間,未來或将助力科學各領域的加速發展。
參考資料:
1.https://arxiv.org/abs/2405.04484
2.https://arxiv.org/pdf/2404.19756
https://twitter.com/thesubhashk
https://physics.mit.edu/faculty/max-tegmark/
https://en.wikipedia.org/wiki/Max_Tegmark
https://kindxiaoming.github.io/
支援:鄒名之
排版:朵克斯