Forskare från North Carolina State University har upptäckt att undervisning i fysik till neurala nätverk gör det möjligt för dessa nätverk att bättre anpassa sig till kaos i sin miljö. Arbetet har implikationer för förbättrad artificiell intelligens (AI) applikationer, allt från medicinsk diagnostik till automatiserad drönarpilot.

Neurala nätverk är en avancerad typ av AI som är löst baserad på hur våra hjärnor fungerar. Våra naturliga neuroner utbyter elektriska impulser beroende på styrkan i deras anslutningar. Artificiella neurala nätverk efterliknar detta beteende genom att justera numeriska vikter och fördomar under träningspass för att minimera skillnaden mellan deras faktiska och önskade utdata. Till exempel, ett neuralt nätverk kan tränas för att identifiera foton av hundar genom att sålla igenom ett stort antal foton, göra en gissning om bilden är av en hund, se hur långt bort det är och sedan justera dess vikter och fördomar tills de är närmare verkligheten.

Nackdelen med denna neurala nätverksträning är något som kallas "kaosblindhet" - en oförmåga att förutsäga eller reagera på kaos i ett system. Konventionell AI är kaosblind. Men forskare från NC State's Nolinear Artificial Intelligence Laboratory (NAIL) har funnit att inkorporering av en Hamilton-funktion i neurala nätverk bättre gör det möjligt för dem att "se" kaos i ett system och anpassa sig därefter.

Enkelt uttryckt, Hamiltonian förkroppsligar den fullständiga informationen om ett dynamiskt fysiskt system - den totala mängden av alla närvarande energier, kinetik och potential. Föreställ dig en svängande pendel, rör sig fram och tillbaka i rymden över tiden. Titta nu på en ögonblicksbild av den pendeln. Ögonblicksbilden kan inte berätta var pendeln är i sin båge eller vart den är på väg härnäst. Konventionella neurala nätverk fungerar från en ögonblicksbild av pendeln. Neurala nätverk som är bekanta med Hamilton-flödet förstår hela pendelns rörelse – var den är, var det kommer eller kan vara, och energierna som är involverade i dess rörelse.

I ett proof-of-concept-projekt, NAIL-teamet införlivade Hamiltons struktur i neurala nätverk, applicerade dem sedan på en känd modell av stjärn- och molekylär dynamik som kallas Hénon-Heiles-modellen. Hamiltons neurala nätverk förutspådde exakt systemets dynamik, även när det rörde sig mellan ordning och kaos.

"Hamiltonian är verkligen den "speciella såsen" som ger neurala nätverk förmågan att lära sig ordning och kaos, " säger John Lindner, gästforskare på NAIL, professor i fysik vid The College of Wooster och motsvarande författare till en artikel som beskriver arbetet. "Med Hamiltonian, det neurala nätverket förstår underliggande dynamik på ett sätt som ett konventionellt nätverk inte kan. Detta är ett första steg mot fysikkunniga neurala nätverk som kan hjälpa oss att lösa svåra problem."

Verket dyker upp i Fysisk granskning E och stöds delvis av Office of Naval Research. NC State postdoktorala forskaren Anshul Choudhary är första författare. Bill Ditto, professor i fysik vid NC State, är chef för NAIL. Gästforskare Scott Miller; Sudeshna Sinha, från Indian Institute of Science Education and Research Mohali; och NC State doktorand Elliott Holliday bidrog också till arbetet.