尽管人工智能系统继续取得长足进步 但它们在应对不可预

科技2020-08-20 06:31:45
导读

尽管人工智能系统继续取得长足进步,但它们在应对混乱或不可预测性方面仍然不是特别擅长。现在,研究人员认为,他们已经通过教授AI有关物理学的方法找到了解决此问题的方法。

更具体地说,向他们教授哈密​​顿函数,该函数为AI提供有关动态系统整体的信息:其中包含的所有能量,包括动力学和势能。

神经网络旨在将人脑轻松地模拟为复杂的,经过加权的复杂类型的AI,然后对正在发生的事情有“更大的了解”,这可能为让AI解决越来越难的问题提供可能性。

北卡罗来纳州立大学的物理学家约翰·林德纳说: “哈密顿量确实是一种特殊的调味料,它使神经网络能够学习秩序和混乱。”

“有了哈密顿算子,神经网络以一种传统网络无法理解的方式来理解潜在的动力学。这是迈向物理学的神经网络的第一步,可以帮助我们解决难题。”

研究人员将汉密尔顿函数的引入与摆锤进行了比较-它向AI提供有关摆锤旋转速度及其行进路径的信息,而不是仅向AI显示某一时刻的摆锤快照。

新的研究发现,如果神经网络能够理解哈密顿流,那么,在这种类比中,摆在哪里,可能在哪里移动,以及它所具有的能量,那么它们就能更好地管理混沌的有序引入。

不仅如此,还可以提高它们的效率:无需大量额外的神经节点,就能够更好地预测动态,不可预测的结果。它有助于AI快速更全面地了解世界的实际运行方式。

为了测试他们新近改进的AI神经网络,研究人员将其与通常被称为Hénon-Heiles模型的基准进行了比较,该模型最初是为模拟恒星在太阳周围的运动而创建的。

哈密​​顿神经网络成功通过了测试,正确预测了系统在有序和混沌状态下的动力学。

改进后的AI可以用于从诊断医疗状况到驾驶无人驾驶飞机的所有领域。

我们已经看到AI 模拟太空,诊断医疗问题,升级电影和开发新药,相对而言,该技术才刚刚起步–还在前进。这些新发现应对此有所帮助。

研究人员在论文中写道:“如果混沌是非线性的'超级力量',从而使确定性动力学几乎不可预测,那么哈密顿量就是一个神经网络'秘密调味料',它是一种特殊的成分,可以学习和预测阶次和混沌。” 纸。

免责声明:本文由用户上传,如有侵权请联系删除!