盡管AI系統(tǒng)已取得長足進(jìn)步，但它們?nèi)匀粺o法應(yīng)對混沌或不可預(yù)測性?，F(xiàn)在，研究人員想教授AI物理學(xué)以解決此類問題。

更具體地說，教AI哈密頓函數(shù)——這一數(shù)學(xué)概念能提供有關(guān)整個動態(tài)系統(tǒng)的信息：動力學(xué)關(guān)系，動能和勢能等。

神經(jīng)網(wǎng)絡(luò)旨在將人腦的粗略模擬升級為復(fù)雜的、經(jīng)過加權(quán)的AI算法，然后對正在發(fā)生的事情有“更深刻的了解”，為AI解決越來越難的問題提供可能性。

北卡羅來納州立大學(xué)的物理學(xué)家約翰·林德納說：“哈密頓量確實是一種特殊的調(diào)味料，它使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)秩序和混亂。有了哈密頓算子，神經(jīng)網(wǎng)絡(luò)以一種傳統(tǒng)網(wǎng)絡(luò)無法理解的方式來理解潛在的動力學(xué)。這是邁向物理學(xué)的神經(jīng)網(wǎng)絡(luò)的第一步，可以幫助我們解決難題?！?/p>

研究人員用漢密爾頓函數(shù)教導(dǎo)AI分析彈性振子——前者向AI提供有關(guān)擺動速度及路徑的信息，而不僅僅是向AI顯示某個時刻振子的位置。

新研究發(fā)現(xiàn)，如果神經(jīng)網(wǎng)絡(luò)能夠理解哈密頓流，那么它們就能更好地認(rèn)知混沌。

不僅如此，物理學(xué)還可以提高它們的效率：無需大量額外的神經(jīng)節(jié)點，就能夠更好地預(yù)測動態(tài)的，本不可預(yù)測的對象。它有助于AI快速更全面地了解世界的實際運行方式。

為了測試新改進(jìn)的AI神經(jīng)網(wǎng)絡(luò)，研究人員將其與通常被稱為Hénon-Heiles的基準(zhǔn)模型進(jìn)行了比較，該模型最初用于模擬行星在太陽周圍的運動。

哈密頓神經(jīng)網(wǎng)絡(luò)成功通過了測試，正確預(yù)測了系統(tǒng)在有序和混沌狀態(tài)下的動力學(xué)發(fā)展。

改進(jìn)后的AI可用于領(lǐng)域從醫(yī)學(xué)診斷到飛機自動駕駛。相對而言，該技術(shù)才剛剛起步，還有巨大的提升空間。

研究人員寫道：“如果混沌是非線性的'超級力量'，從而使確定性動力學(xué)幾乎無法應(yīng)用，那么哈密頓量就是神經(jīng)網(wǎng)絡(luò)的'秘密調(diào)料'，它是一種特殊的成分，可以使AI學(xué)習(xí)和預(yù)測有序和混沌現(xiàn)象?！?/p>

該研究發(fā)表在《物理評論E》上。