Algoritmi-Teoria e re Machine-Learning ngre pyetje rreth natyrës së shkences

Teoria e re Machine-Learning ngre pyetje rreth natyrës së shkencës

Algoritmi, i ideuar nga një shkencëtar në Laboratorin e Fizikës së Plazmës Princeton (PPPL) të Departamentit të Energjisë (DOE) në SHBA, zbaton metodën machine-learning , formën e inteligjencës artificiale (AI) që mëson nga përvoja, për të zhvilluar parashikimet. “Zakonisht në fizikë, ju bëni vëzhgime, krijoni një teori të bazuar në ato vëzhgime dhe pastaj përdorni atë teori për të parashikuar vëzhgime të reja,”- tha fizikanti i PPPL Hong Qin, autor i një punimi që detajon studimin në Raportet Shkencore. “Ajo që unë jam duke bërë është zëvendësimi i këtij proçesi me një lloj kutie të zezë që mund të prodhojë parashikime të sakta pa përdorur një teori ose ligj tradicional.”

Qin (shqiptohet Chin) krijoi një program kompjuterik në të cilin ushqeu të dhëna nga vëzhgimet e kaluara të orbitave të Merkurit, Venusit, Tokës, Marsit, Jupiterit dhe planetit xhuxh Ceres. Ky program, së bashku me një program shtesë të njohur si një “algoritëm shërbimi”, më pas bëri parashikime të sakta të orbitave të planetëve të tjerë në sistemin diellor pa përdorur ligjet e lëvizjes dhe gravitacionit të Njutonit. “Në thelb, unë anashkalova të gjithë përbërësit themelorë të fizikës. Unë shkoj drejtpërdrejt nga të dhënat në të dhëna,”- tha Qin. “Nuk ka asnjë ligj të fizikës në mes.”

Programi nuk zhvillohet mbi parashikime rastësore e aksidentale. “Hong i mësoi programit parimin themelor të natyrës për të përcaktuar dinamikën e çdo sistemi fizik,”- tha Joshua Burby, një fizikan në Laboratorin Kombëtar të Los Alamos të DOE i cili fitoi Ph.D. në Princeton nën mentorimin e Qin. “Rrjeti mëson ligjet e lëvizjes planetare pasi ka parë shumë pak shembuj trajnues. Me fjalë të tjera, kodi i tij me të vërtetë ‘mëson’ ligjet e fizikës.”

Machine-learning është ajo metodë që bën të mundur programet kompjuterike të tilla si Google Translate. Google Translate shqyrton një sasi të madhe informacioni për të përcaktuar se sa shpesh një fjalë në një gjuhë është përkthyer në një fjalë në gjuhën tjetër. Në këtë mënyrë, programi mund të bëjë një përkthim të saktë pa mësuar asnjë gjuhë.

Proçesi gjithashtu shfaqet në eksperimentet e mendimit filozofik si Dhoma Kineze e John Searle. Në atë skenar, një person që nuk dinte gjuhën kineze mund të “përkthente” një fjali kineze në anglisht ose në ndonjë gjuhë tjetër duke përdorur një sërë udhëzimesh ose rregullash. Eksperimenti i mendimit ngre pyetje se çfarë, në thelb, do të thotë të kuptosh diçka, dhe nëse kuptimi nënkupton që diçka tjetër po ndodh në mendje përveç ndjekjes së rregullave.

Qin u frymëzua pjesërisht nga eksperimenti filozofik i filozofit të Oksfordit Nick Bostrom se universi është një simulim kompjuterik. Nëse kjo do të ishte e vërtetë, atëherë ligjet themelore fizike duhet të zbulojnë se universi përbëhet nga copëza individuale të hapësirë-kohës, si pikselët në një lojë video. “Nëse jetojmë në një simulim, bota jonë duhet të jetë diskrete,”- tha Qin. Teknika e kutisë së zezë, e krijuar nga Qin, nuk kërkon që fizikantët të besojnë hamendjen e simulimit fjalë për fjalë, megjithëse bazohet në këtë ide për të krijuar një program që bën parashikime të sakta fizike.

Pamja e pikseluar e botës, e ngjashme me atë që portretizohet në filmin The Matrix, njihet si një teori diskrete e fushës, e cila e shikon universin si të përbërë nga copa individuale dhe ndryshon nga teoritë që njerëzit normalisht krijojnë. Ndërsa shkencëtarët zakonisht krijojnë koncepte gjithëpërfshirëse se si sillet bota fizike, kompjuterët thjesht mbledhin një koleksion të dhënash.

Qin dhe Eric Palmerduca, një student i diplomuar në Programin e Universitetit Princeton në Fizikën e Plazmës, tani po zhvillojnë mënyra për të përdorur teori diskrete të fushës për të parashikuar sjelljen e grimcave të plazmës në eksperimentet e shkrirjes të kryera nga shkencëtarë në të gjithë botën. Objektet e shkrirjes më të përdorura janë tokamakët në formë donut që kufizojnë plazmën në fusha të fuqishme magnetike.

Tokamak është një pajisje e cila përdor një fushë të fuqishme magnetike për të kufizuar plazmën në formën e një torusi. Tokamak është një nga disa llojet e pajisjeve të mbylljes magnetike që po zhvillohen për të prodhuar fuqi të kontrolluar të bashkimit termonuklear.

Bashkimi, fuqia që drejton diellin dhe yjet, kombinon elemente të lehta në formën e plazmës; gjendja e nxehtë dhe e ngarkuar e materies e përbërë nga elektrone të lira dhe bërthama atomike që përfaqëson 99% të universit të dukshëm; për të gjeneruar sasi masive të energjisë. Shkencëtarët po kërkojnë të kopjojnë bashkimin në Tokë për një furnizim praktikisht të pashtershëm të energjisë për të gjeneruar energji elektrike.

“Në një pajisje bashkimi magnetike, dinamika e plazmave është komplekse dhe me shumë shkallë, dhe ligjet qeverisëse efektive ose modelet llogaritëse për një proçes të veçantë fizik për të cilin ne jemi të interesuar nuk janë gjithmonë të qarta,”- tha Qin. “Në këto raste, ne mund të zbatojmë teknikën machine-learning që unë zhvillova për të krijuar një teori diskrete të fushës dhe pastaj të zbatojmë këtë teori për të kuptuar dhe parashikuar vëzhgime të reja eksperimentale.”

Ky proçes sjell pyetje në lidhje me vetë natyrën e shkencës. A nuk duan shkencëtarët të zhvillojnë teori të fizikës që shpjegojnë botën, në vend që thjesht të grumbullojnë të dhëna? A nuk janë teoritë themelore për fizikën dhe të nevojshme për të shpjeguar dhe kuptuar fenomenet?

“Unë do të argumentoja se qëllimi përfundimtar i çdo shkencëtari është parashikimi,”- tha Qin. “Ju mund të mos keni nevojë domosdoshmërisht për një ligj. Për shembull, nëse unë mund të parashikoj në mënyrë të përsosur një orbitë planetare, nuk kam nevojë të di ligjet e Njutonit për gravitacionin dhe lëvizjen. Ju mund të argumentoni se duke bërë kështu do të kuptonit më pak sesa sikur të dinit Ligjet e Njutonit.

Teknika mund të çojë gjithashtu në zhvillimin e një teorie fizike tradicionale. “Ndërsa në një farë kuptimi kjo metodë përjashton nevojën e një teorie të tillë, ajo gjithashtu mund të shihet si një rrugë drejt një teorie,”- tha Palmerduca. “Kur jeni duke u përpjekur të nxirrni një teori, ju do të donit të kishit sa më shumë të dhëna në dispozicionin tuaj. Nëse ju jepen disa të dhëna, ju mund të përdorni machine-learning për të mbushur boshllëqet në ato të dhëna ose përndryshe do t’ju duhet të zgjeroni grupin e të dhënave.”

Postime te ngjashme