PPPL -fysikern Hong Qin framför bilder av planetbanor och datorkod. Upphovsman:Elle Starkman
En ny datoralgoritm, eller uppsättning regler, som exakt förutspår planets banor i solsystemet skulle kunna anpassas för att bättre förutsäga och kontrollera beteendet hos den plasma som driver fusionsanläggningar som är utformade för att skörda fusionsenergin som driver solen och stjärnorna på jorden.
Algoritmen, utformad av en forskare vid U.S. Department of Energy's (DOE) Princeton Plasma Physics Laboratory (PPPL), tillämpar maskininlärning, formen av artificiell intelligens (AI) som lär sig av erfarenhet, att utveckla förutsägelserna. "Vanligtvis inom fysik, du gör observationer, skapa en teori baserad på dessa observationer, och sedan använda den teorin för att förutsäga nya observationer, "sa PPPL -fysikern Hong Qin, författare till ett papper som beskriver konceptet i Vetenskapliga rapporter . "Det jag gör är att ersätta denna process med en typ av svart låda som kan ge exakta förutsägelser utan att använda en traditionell teori eller lag."
Qin (uttalas Chin) skapade ett datorprogram där han matade in data från tidigare observationer av Merkurius banor, Venus, Jorden, Mars, Jupiter, och dvärgplaneten Ceres. Det här programmet, tillsammans med ett ytterligare program som kallas en serveringsalgoritm, 'gjorde sedan exakta förutsägelser om banor på andra planeter i solsystemet utan att använda Newtons rörelser och gravitation. "Väsentligen, Jag kringgick alla de grundläggande ingredienserna i fysiken. Jag går direkt från data till data, "Sade Qin." Det finns ingen fysiklag i mitten. "
Programmet sker inte vid korrekta förutsägelser av misstag. "Hong lärde programmet den underliggande principen som naturen använde för att bestämma dynamiken i alla fysiska system, "sa Joshua Burby, en fysiker vid DOE:s Los Alamos National Laboratory som tog sin doktorsexamen. vid Princeton under Qins mentorskap. "Utbetalningen är att nätverket lär sig planetariska lagar efter att ha bevittnat mycket få träningsexempel. Med andra ord, hans kod "lär" verkligen fysikens lagar. "
Maskininlärning är det som gör datorprogram som Google Translate möjlig. Google Translate siktar igenom en enorm mängd information för att avgöra hur ofta ett ord på ett språk har översatts till ett ord på det andra språket. På det här sättet, programmet kan göra en korrekt översättning utan att faktiskt lära sig något av språken.
Processen förekommer också i filosofiska tankeexperiment som John Searles kinesiska rum. I det scenariot, en person som inte kunde kinesiska kunde ändå 'översätta' en kinesisk mening till engelska eller något annat språk med hjälp av en uppsättning instruktioner, eller regler, som skulle ersätta förståelse. Tankexperimentet väcker frågor om vad, vid roten, det betyder att förstå någonting alls, och om förståelse innebär att något annat händer i sinnet förutom att följa regler.
Qin inspirerades delvis av Oxford -filosofen Nick Bostroms filosofiska tankeexperiment om att universum är en datasimulering. Om det var sant, då bör grundläggande fysiska lagar avslöja att universum består av enskilda bitar av rymdtid, som pixlar i ett tv -spel. "Om vi lever i en simulering, vår värld måste vara diskret, "Sade Qin. Den svarta lådtekniken som Qin utarbetade kräver inte att fysiker tror att simuleringstanken är bokstavligt, även om den bygger på denna idé för att skapa ett program som gör exakta fysiska förutsägelser.
Den resulterande pixelerade synen på världen, liknande det som skildras i filmen The Matrix, är känd som en diskret fältteori, som ser på universum som sammansatt av enskilda bitar och skiljer sig från de teorier som människor normalt skapar. Medan forskare vanligtvis utformar övergripande begrepp om hur den fysiska världen beter sig, datorer samlar bara en samling datapunkter.
Qin och Eric Palmerduca, en doktorand i Princeton University Program in Plasma Physics, utvecklar nu sätt att använda diskreta fältteorier för att förutsäga beteendet hos plasmapartiklar i fusionsexperiment utförda av forskare runt om i världen. De mest använda fusionsanläggningarna är munkformade tokamaker som begränsar plasma i kraftfulla magnetfält.
Fusion, kraften som driver solen och stjärnorna, kombinerar ljuselement i form av plasma - det heta, materiens laddade tillstånd består av fria elektroner och atomkärnor som representerar 99% av det synliga universum - för att generera massiva mängder energi. Forskare försöker replikera fusion på jorden för en praktiskt taget outtömlig strömförsörjning för att generera el.
"I en magnetisk fusionsanordning, dynamiken i plasma är komplex och mångskalig, och de effektiva reglerna eller beräkningsmodellerna för en viss fysisk process som vi är intresserade av inte alltid är tydliga, "Sade Qin." I dessa scenarier, vi kan tillämpa maskininlärningstekniken som jag utvecklat för att skapa en diskret fältteori och sedan tillämpa denna diskreta fältteori för att förstå och förutsäga nya experimentella observationer. "
Denna process öppnar frågor om själva vetenskapens natur. Vill inte forskare utveckla fysikteorier som förklarar världen, istället för att bara samla in data? Är inte teorier grundläggande för fysiken och nödvändiga för att förklara och förstå fenomen?
"Jag skulle hävda att det slutliga målet för någon forskare är förutsägelse, "Sa Qin." Du kanske inte nödvändigtvis behöver en lag. Till exempel, om jag perfekt kan förutsäga en planetbana, Jag behöver inte känna till Newtons gravitations- och rörelselagar. Du kan hävda att genom att göra det skulle du förstå mindre än om du kände till Newtons lagar. På sätt och vis, Det är korrekt. Men ur praktisk synvinkel, att göra korrekta förutsägelser är inte att göra något mindre. "
Maskininlärning kan också öppna möjligheter för mer forskning. "Det breddar betydligt omfattningen av problem som du kan hantera eftersom allt du behöver för att komma igång är data, "Sa Palmerduca.
Tekniken kan också leda till utvecklingen av en traditionell fysikalisk teori. "Även om denna metod i någon mening utesluter behovet av en sådan teori, det kan också ses som en väg mot en, "Sa Palmerduca." När du försöker härleda en teori, du vill ha så mycket data till ditt förfogande som möjligt. Om du får lite data, Du kan använda maskininlärning för att fylla i luckor i data eller på annat sätt utöka datamängden. "