Un physicien en intelligence artificielle peut dériver les lois naturelles d'univers imaginaires

sylvestre | flickr

En tant qu'étudiant, Galilée a observé une lampe se balançant dans la cathédrale de Pise et a chronométré son oscillation contre son pouls. Il a conclu que la période était constante et indépendante de son amplitude.

Galilée a ensuite suggéré qu'un pendule pouvait contrôler une horloge et a ensuite conçu une telle machine, bien que la première horloge de ce type ait été construite par Huygens environ 15 ans après la mort de Galilée.

En faisant cette découverte, le génie de Galilée a été d'ignorer tous les détails désordonnés qui étaient autrement présents dans la cathédrale - résistance à l'air, température, lumière vacillante, bruit, autres personnes, etc. Il a envisagé un modèle simple de lampe oscillante en utilisant uniquement sa période, en se concentrant sur le détail saillant.

Pour de nombreux historiens, l'approche de Galilée représente la première étape de l'évolution de la méthode scientifique, le même processus qui a produit le vol, la théorie quantique, l'informatique électronique, la relativité générale et même l'intelligence artificielle.

Ces dernières années, les systèmes d'IA ont commencé à trouver des modèles intéressants dans les données elles-mêmes et ont même dérivé certaines lois de la physique en conséquence. Mais dans ces cas, l'IA a toujours étudié un ensemble de données spécial qui avait été isolé des distractions du monde réel. La capacité de ces systèmes d'IA est loin de la capacité des humains tels que Galileo.

Et cela soulève une question intéressante : est-il possible de concevoir un système d'IA qui développe des théories comme l'a fait Galileo, en se concentrant sur les informations dont il a besoin pour expliquer différents aspects du monde qu'il observe ?

Aujourd'hui, nous obtenons une réponse, grâce au travail de Tailin Wu et Max Tegmark du MIT à Cambridge, Massachusetts. Ces gars-là ont développé un système d'IA qui copie l'approche de Galileo et certaines des autres astuces que les physiciens ont apprises au cours des siècles. Leur système, appelé AI Physicist, est capable de découvrir plusieurs lois de la physique dans des mondes mystérieux délibérément construits pour simuler la complexité de notre univers.

Wu et Tegmark commencent par identifier une faiblesse importante des systèmes d'IA modernes. Lorsqu'on leur donne un ensemble de données volumineuses, ils recherchent généralement une théorie unique qui régit l'ensemble. Mais cela devient de plus en plus difficile à mesure que l'ensemble de données devient volumineux et désordonné.

En effet, l'intérieur d'une cathédrale serait un environnement pratiquement impossible pour tout système d'IA actuel d'exploiter les lois de la physique.

Pour faire face à ce problème, les physiciens utilisent un certain nombre de processus de pensée pour simplifier le problème. La première consiste à développer des théories qui ne décrivent qu'une petite partie de l'ensemble de données. Cela produit plusieurs théories qui décrivent toutes différents aspects des données, comme la mécanique quantique et la relativité, par exemple.

Wu et Tegmark ont ​​développé AI Physicist pour traiter les grands ensembles de données de la même manière.

Une autre règle générale que les physiciens utilisent est le rasoir d'Occam - l'idée que des explications plus simples sont meilleures. C'est pourquoi les physiciens rejettent généralement les théories nécessitant un moteur premier pour créer l'univers, ou la Terre ou la vie elle-même : l'existence supposée d'un moteur premier soulève une série de questions supplémentaires sur sa nature et son origine.

Les systèmes d'IA sont bien connus pour produire des modèles trop complexes pour décrire les données sur lesquelles ils sont entraînés. Ainsi, Wu et Tegmark enseignent également à leur système de préférer les théories plus simples aux plus complexes. Pour ce faire, ils utilisent une mesure simple de la complexité basée sur la quantité d'informations que la théorie contient.

Une autre astuce des physiciens célèbres consiste à chercher des moyens d'unifier les théories. Si une théorie peut faire le travail de deux, c'est probablement mieux. Cela a poussé les physiciens à rechercher la seule loi qui les régit tous (bien qu'il y ait peu de preuves réelles qu'une telle théorie existe).

Un dernier principe qui a aidé les physiciens à réussir est l'apprentissage tout au long de la vie : l'idée que si une approche particulière a fonctionné dans le passé, elle pourrait fonctionner sur des problèmes futurs. Ainsi, le physicien IA de Wu et Tegmark se souvient des solutions apprises et les essaye sur des problèmes futurs.

Armés de ces techniques, Wu et Tegmark ont ​​mis leur physicien IA à l'épreuve. Pour ce faire, ils inventent 40 mondes mystérieux régis par des lois de la physique qui varient d'un endroit à l'autre. Ainsi, une balle lancée dans l'un de ces mondes pourrait d'abord tomber sous l'effet de la gravité dans une région régie par un potentiel électromagnétique, puis dans une région régie par un potentiel harmonique, et ainsi de suite.

La question que se posent Wu et Tegmark est de savoir si leur physicien IA peut dériver les lois de la physique pertinentes simplement en regardant le mouvement de la balle au fil du temps. Et ils comparent le comportement du physicien IA avec celui d'un physicien nouveau-né qui utilise la même approche mais sans le bénéfice de l'apprentissage tout au long de la vie, ainsi qu'avec un réseau de neurones conventionnel.

Il s'avère que le physicien IA et le physicien nouveau-né peuvent dériver les lois pertinentes. Les deux agents sont capables de résoudre plus de 90% des 40 mondes mystérieux, disent-ils.

Le principal avantage de l'IA Physicist par rapport à l'agent Newborn est qu'il apprend plus rapidement en utilisant moins de données. C'est un peu comme si un scientifique expérimenté pouvait résoudre de nouveaux problèmes beaucoup plus rapidement qu'un débutant en s'appuyant sur des connaissances antérieures sur des problèmes similaires, disent Wu et Tegmark.

Et leur système est nettement meilleur qu'un réseau de neurones conventionnel. Notre [IA Physicist] apprend généralement plus rapidement et produit des erreurs de prédiction quadratiques moyennes environ un milliard de fois plus petites qu'un réseau de neurones à anticipation standard de complexité comparable, disent-ils.

C'est un travail impressionnant qui suggère que les systèmes d'IA pourraient avoir un impact significatif sur la façon dont la science progresse. Bien sûr, le véritable test consistera à laisser le physicien IA se déchaîner dans un environnement réel, tel que l'intérieur de la cathédrale de Pise, et à voir s'il dérive le principe des horloges mécaniques.

Ou peut-être de le lâcher sur d'autres ensembles de données complexes, tels que ceux qui déconcertent régulièrement les économistes, les biologistes et les climatologues. Il y a sûrement des fruits à portée de main ici pour un système capable de les récolter.

Et si le physicien de l'IA réussit, les historiens des sciences pourraient bien le considérer comme l'une des premières étapes d'une nouvelle ère d'évolution de la méthode scientifique au-delà de Galilée et de ses collègues humains. On ne sait pas où cela peut nous mener.

Réf : arxiv.org/abs/1810.10525 : Vers un physicien en IA pour un apprentissage non supervisé

cacher