Forskare i ett labb vid Aarhus Universitet har utvecklat ett mångsidigt fjärrspelsgränssnitt som gjorde det möjligt för externa experter såväl som hundratals medborgarforskare över hela världen att optimera ett kvantgasexperiment genom samarbete med flera spelare och i realtid. Båda lagens ansträngningar förbättrades dramatiskt mot de tidigare bästa lösningarna som upprättades efter månader av noggrann experimentell optimering. Jämför domänexperter, algoritmer och medborgarforskare är ett första steg mot att reda ut hur människor löser komplexa, naturvetenskapliga problem.

I en framtid som kännetecknas av algoritmer med ständigt ökande beräkningskraft, det är viktigt att förstå skillnaden mellan mänsklig och maskinintelligens. Detta kommer att möjliggöra utveckling av hybrid intelligens -gränssnitt som optimalt utnyttjar det bästa från två världar. Genom att göra komplexa forskningsutmaningar tillgängliga för bidrag från allmänheten, medborgarvetenskap gör just detta. Många medborgarvetenskapliga projekt har visat att människor kan konkurrera med toppmoderna algoritmer för att lösa komplexa, naturvetenskapliga problem.

Dock, dessa projekt har hittills inte tagit upp varför ett kollektiv medborgarforskare kan lösa så komplexa problem. Ett tvärvetenskapligt team av forskare från Aarhus Universitet, Ulm University, och University of Sussex, Brighton har nu tagit viktiga första steg i denna riktning genom att analysera prestanda och sökstrategi för både en toppmodern datoralgoritm och medborgarforskare i deras realtidsoptimering av en experimentell laboratoriemiljö.

Alice -utmaningen

I Alice Challenge, Robert Heck och kollegor gav experter och medborgarforskare direkt tillgång till deras ultrakalla kvantgasexperiment. Detta möjliggjordes via ett nytt fjärrgränssnitt som skapats av teamet vid ScienceAtHome vid Aarhus universitet. Genom att manipulera laserstrålar och magnetfält, uppgiften var att kyla så många atomer som möjligt till extremt kalla temperaturer strax över absolut noll vid -273,15 ° C. Detta så kallade Bose-Einstein-kondensat (BEC) är ett distinkt tillstånd av materia (som fast, flytande, gas eller plasma) som utgör en idealisk kandidat för att utföra sådant som kvantsimuleringsexperiment och högprecisionsmätningar.

Som beskrivs nedan använde båda grupperna framgångsrikt fjärrgränssnittet för att förbättra tidigare optimala lösningar. I denna första experimentella optimeringsutmaning för medborgarvetenskap någonsin med feedback i realtid, forskarna kvantifierade vidare medborgarforskares beteende. De drog slutsatsen att det som gör mänsklig problemlösning unik är att ett kollektiv av individer kan balansera innovativa försök och förfina befintliga lösningar baserat på deras tidigare prestanda.

Kvantoptimering som fjärrtjänst

Kvanttekniken kliver alltmer ut från universitetslaboratorier och in i företagsvärlden. För högpresterande och robusta applikationer, exceptionella nivåer av kontroll av de komplexa systemen behövs, samt nya metoder inom både teoretisk och experimentell vetenskap. Detta kräver tvärvetenskapliga och ofta transinstitutionella samarbeten, vilket i sin tur kräver utveckling av effektiva gränssnitt så att var och en av experterna kan bidra så effektivt som möjligt.

På senare år har fjärrgränssnitt för experimentella apparater har börjat dyka upp. Dock, de är alltid inriktade antingen på utbildningsmiljöer eller undersökningen av en mycket speciell experimentell uppställning.

I kontrast, Robert Heck och kollegor i det pågående arbetet satte upp för att utveckla ett flexibelt fjärrgränssnitt och en kraftfull optimeringsalgoritm som potentiellt kan tillämpas på många andra inställningar i framtiden. Den experimentella produktionen av BEC fungerar som en idealisk testbänk:

RedCRAB -paketet

"Att få maskiner att spela Alice Challenge tillsammans med människor över internet krävde att vi skapade ett nytt mjukvarupaket, RedCRAB, för fjärroptimering av kvantexperiment, "förklarade Tommaso Calarco och Simone Montangero, ledare för Ulm -optimeringsteamet.

RedCRAB är idealiskt lämpad för problem med många kontrollparametrar när den exakta teoretiska modelleringen av systemet är okänd och andra traditionella optimeringsmetoder misslyckas. Det har dessutom fördelen att optimeringsexperterna enkelt kan justera algoritmiska parametrar och utnyttja sin fulla potential utan att behöva mellanliggande kommunikation med det experimentella teamet. Dessutom, optimeringens effektivitet kan analyseras, och utifrån det, algoritmiska förbättringar kan göras och enkelt överföras till framtida experiment.

Tommaso Calarco är extremt upphetsad över resultaten:

"RedCRAB-optimering fungerade så bra att den nu tillämpas i flera labb runt om i världen för att förbättra prestandan hos kvantenheter. Vi planerar att utöka detta som en molntjänst som vi tror kommer att leda till snabbare utveckling av den teoretiska förståelsen, av den algoritmiska utvecklingen och övergripande av kvantvetenskap och teknik. "

Kan någon forskningsutmaning förvandlas till ett spel?

Som nämnts ovan, spelgränssnitt har under senare år gjort det möjligt för icke-experter att använda sin kreativitet och intuition för att bidra till olika vetenskapliga områden. 2016, forskargruppen i Aarhus rapporterade resultaten av det första kvantmedborgarvetenskapliga spelet, Quantum Moves, i Natur . I spelet, spelarna bidrog till att hitta snabba och effektiva lösningar på atomtransport i en kvantberäkningsarkitektur.

Den klara vattenliknande analogin av just det spelet och bristen på andra kvantspel har sedan väckt kritiken att kanske icke-experter bara kan bidra i forskningsämnen för vilka en tydlig klassisk analogi kan etableras. Eftersom detta sällan kan fastställas för en given forskningsutmaning, det kan tyckas att gamifieringsmetoden är av mycket begränsad allmän tillämpbarhet och Quantum Moves var bara ett mycket speciellt fall.

För att testa denna hypotes, fjärrgränssnittet till experimentet med extremt kalla atomer i Århus förvandlades till ett medborgarvetenskapligt spel, Alice -utmaningen. Konkret, spelarna kontrollerade laserintensiteter och magnetfält i den experimentella sekvensen. Som illustreras i figuren är "spel" -gränssnittet långt ifrån intuitivt och kanske inte särskilt underhållande. Spelarna drar en eller flera av kurvorna, tryck på skicka -knappen. Sedan skickades lösningen till labbet, experimentet genomfört, och ungefär 35 sekunder senare kommuniceras resultatet till spelaren.

Två veckors spel - och bättre lösningar

Robert Heck, en av de främsta forskarna i utformningen av Alice Challenge och första författare till tidningen:

"Detta inser den första medborgarvetenskapliga experimentella optimeringsutmaningen någonsin med feedback i realtid på något område. I Alice Challenge hade 600 medborgarforskare tillgång till vårt laboratorium i Århus i över två veckor. Inom denna tid, 7577 lösningar lämnades in och realiserades i labbet. Det var också en utmaning för oss. Eftersom våra deltagare kom från hela världen var vi tvungna att hålla experimentet online i två veckor i sträck utan avbrott."

Även om spelarna inte hade någon formell utbildning i experimentell fysik lyckades de fortfarande konsekvent hitta överraskande bra lösningar. Varför? En ledtråd kom från en intervju med en toppspelare, en pensionerad italiensk mikrovågssystemstekniker. Han sa, att deltagandet i Alice Challenge påminde honom mycket om hans tidigare jobb som ingenjör. Han uppnådde aldrig en detaljerad förståelse av mikrovågssystem utan ägnade år åt att utveckla en intuition om hur han skulle optimera prestandan hos sin "svarta låda".

"Det här är extremt spännande. Vi människor kan utveckla allmänna optimeringskunskaper i vårt dagliga arbetsliv som vi effektivt kan överföra till nya inställningar. Om detta är sant, varje forskningsutmaning kan faktiskt förvandlas till ett medborgarvetenskapligt spel, sade Jacob Sherson, chef för projektet ScienceAtHome.

Är medborgarforskare verkligen bättre?

Hur kan otränade amatörer som använder ett ointuitivt spelgränssnitt tävla expertexperimentella? Ett svar kan ligga i ett gammalt citat från Herbert Simon:"Att lösa ett problem innebär helt enkelt att representera det för att göra lösningen transparent". I denna uppfattning, spelarna kan prestera bättre, inte för att de har överlägsna färdigheter utan för att gränssnittet de använder gör en annan typ av utforskning "det självklara att testa" jämfört med det traditionella experimentella kontrollgränssnittet.

"Processen att utveckla roliga gränssnitt som låter experter och medborgarforskare se de komplexa forskningsproblemen från olika vinklar, kan innehålla nyckeln till att utveckla framtida hybridintelligenssystem där vi utnyttjar mänsklig kreativitet optimalt, "förklarade Jacob Sherson.

Samhällsvetenskap i det vilda

En annan orsak till medborgarforskarnas framgång är troligen på grund av flerspelarsamarbetet som fjärrgränssnittet underlättade. Att testa denna hypotes innebar ett betydande framsteg jämfört med traditionell samhällsvetenskap.

Carsten Bergenholtz och Oana Vuculescu, projektets samhällsvetenskapliga experter:

"Inom samhällsvetenskapen är vi intresserade av hur människor löser problem. Men vi bjuder dem ofta in i ett samhällsvetenskapligt laboratorium för att lösa konstgjorda problem, som inte är direkt kopplade till den verkliga världen. Vidare, individer i labbet löser vanligtvis dessa konstgjorda problem ensamma. I kontrast, vår Alice Challenge var ett unikt tillfälle att göra samhällsvetenskap "i naturen", dvs spelare löste ett verkligt problem och vi tillät spelare att samarbeta och lära av varandra. Övergripande, Detta gör att vi kan ta upp varför ett kollektiv medborgarforskare är förvånansvärt bra på att lösa så komplexa problem. "

Forskarna finner att individer högst upp eller längst ner på topplistan beter sig annorlunda. Bra presterande spelare engagerar sig i små förändringar av sina föreslagna lösningar medan dåligt presterande spelare utforskar det okända och tillämpar större förändringar. Som dåligt presterande spelare rör sig uppåt i leden och, vice versa, välpresterande spelare går nedåt individer anpassar sin sökning därefter.

På kollektiv nivå, det betyder att det alltid finns några spelare högst upp på en topplista som optimerar den nuvarande bästa lösningen samt vissa spelare längst ner på en topplista som innoverar och testar helt nya lösningar. Detta jämfördes direkt med beteendet hos RedCRAB-algoritmen som var mycket mer lokal till sin natur - med fokus på små steg för att iterativt förbättra den nuvarande lösningen istället för att söka i det övergripande landskapet.

En unik insikt

"Dessa fynd ger insikt i den unika mänskliga förmågan att kollektivt lösa komplexa problem. Genom att utnyttja denna kunskap kommer man att kunna utforma hybridintelligensgränssnitt som kombinerar beräkningsstyrkorna för AI med fördelarna med mänsklig intuition, "sa Carsten Bergenholtz och Oana Vuculescu.

Mark Bason vid University of Sussex ser in i framtiden:

"Vetenskapens framsteg är ofta resultatet av nära samarbete mellan etablerade grupper, som från akademin eller industrin. Dock, tekniken har avancerat så långt att många nya interaktioner är möjliga. Genom att öppna vår forskning, vi kan nu dra nytta av spelarnas färdigheter, algoritmer och hybridmetoder av de två."