این مدل با استفاده از این روش یادگیری می‌تواند الگوها را در مجموعه داده‌های پیچیده تشخیص دهد و یک نظریه فیزیکی برای آنها تشکیل دهد.به نقل از آی‌ای، تاریخ نام‌هایی مانند اینشتین یا نیوتن را خوب به خاطر دارد، زیرا آنها نظریه‌های جدیدی را به ما ارائه کردند که نام‌شان را در تاریخ ثبت کرده است. نظریه‌های آنها پدیده‌های متعددی را که در اطراف ما رخ می‌دهد، توضیح می‌دهند.به عنوان مثال، قوانین گرانش نیوتن به ما کمک کرده است تا نیروی گرانش را نه تنها روی زمین توضیح دهیم، بلکه به ما کمک کرده تا حرکت سیارات دیگر، ماه و سایر اجرام آسمانی را نیز به طور دقیق پیش‌بینی کنیم.

آموزش هوش مصنوعی فیزیکدان
دو رویکرد عمده برای تشکیل یک نظریه یا فرضیه جدید وجود دارد. می‌توان از قوانین شناخته شده در یک حوزه شروع کرد و فرضیه‌های جدیدی را از آنها استخراج کرد یا سعی کرد با نظریه‌ای جدید رفتار یک شیء یا یک پدیده جدید را توضیح داد. با این حال بخش دشوار این مسئله، انتخاب رویکرد مناسب برای رسیدن به فرضیه است.
پژوهشگران قبل از تلاش برای آموزش هوش مصنوعی برای تفکر در مورد فیزیک، از خود فیزیک برای درک عملکرد هوش مصنوعی استفاده می‌کردند.

کلودیا مرجر پژوهشگر مؤسسه یولیش از یک شبکه عصبی برای ترسیم دقیق رفتار پیچیده در یک سیستم ساده‌تر استفاده کرد. هوش مصنوعی این کار را با ساده کردن تعاملات پیچیده بین اجزای سیستم انجام داد.سپس تیم تحقیقاتی از این سیستم ساده شده برای ایجاد یک نقشه معکوس با هوش مصنوعی آموزش دیده استفاده کرد. این سیستم با بازگشت از اجزای ساده به اجزای پیچیده، نظریه جدیدی را توسعه داد. این رویکرد مشابه چیزی بود که یک فیزیکدان ممکن است انتخاب کند، با این تفاوت که فعل و انفعالات در پارامترهای تعریف شده توسط هوش مصنوعی قابل خواندن بودند. پژوهشگران این را «هوش مصنوعی فیزیکدان» می‌نامند.

سیستم جدید چه تفاوتی با سایر مدل‌های هوش مصنوعی دارد؟
کلودیا مرجر بررسی کرد که چگونه زیرساخت‌های کوچکتر در اعداد دست‌نویس شده از تعامل بین پیکسل‌ها تشکیل شده‌اند تا نشان دهد مدل هوش مصنوعی چگونه می‌تواند فکر کند. پژوهشگران با کمک هوش مصنوعی این نظریه را مطرح کردند که گروه‌هایی از پیکسل‌های روشن‌تر در شکل اعداد دست‌نویس نقش دارند.

استفاده از هوش مصنوعی مفید است، زیرا امکان مطالعه همزمان تعداد زیادی از تعاملات را فراهم می‌کند. در حالی که این کار، تلاش محاسباتی را بهبود می‌دهد، تنها می‌توان به سیستم‌های بسیار کوچک بدون دخالت هوش مصنوعی نگاه کرد.تفاوت این سیستم با سایر مدل‌های هوش مصنوعی که قبلاً منتشر شده‌اند، نحوه آموزش آن و درک ما از نحوه عملکرد آن است. به طور معمول، مدل‌های هوش مصنوعی داده‌های مورد استفاده برای آموزش را یاد می‌گیرند و این یادگیری در پارامترهای سیستم آموزش دیده پنهان است.

پژوهشگران به جای استفاده از رویکرد فیزیک هوش مصنوعی، با موفقیت تئوری آموخته شده توسط رایانه و زبانی را که برای توضیح تعاملات بین اجزای سیستم استفاده می‌کند، استخراج کرده‌اند.موریتز هلیاس، پژوهشگر ارشد این مطالعه در بیانیه‌ای مطبوعاتی گفت: از این سیستم می‌توان برای ایجاد پلی بین عملکردهای پیچیده هوش مصنوعی و نظریه‌هایی که انسان می‌تواند درک کند، استفاده کرد.یافته‌های این پژوهش در مجله Physical Review X منتشر شده است.

بهار نیوز