机器学习算法回避了科学方法 - thenewstack

21-09-08 banq

科学方法——基于观察过程、提出假设,然后通过实验来证明或反驳该假设——几个世纪以来一直是现代科学的基石。这是一种被许多科学领域使用的技术,因为它提供了一个结构化的指南,可以使用经验证据来逻辑地和理性地回答一个问题。这种方法将人类带出黑暗时代,进入了当今物理学、天文学和现代科学领域取得突破性发现的时代。

但是在科学研究中是否存在不需要科学方法的情况?普林斯顿大学等离子体物理实验室(PPPL) 的一组研究人员现在提出这确实是可能的——通过使用一种可以预测行星物理轨道的机器学习算法,而无需基于物理定律。

关于这项工作的论文,最近发表在《科学报告》上,概述了该团队如何根据有关水星、金星、地球、火星、木星和矮行星谷神星的已知轨道数据训练机器学习算法。这种机器学习算法与团队所谓的“服务算法”相结合,然后被用来预测其他行星的轨道——包括太阳系的抛物线和双曲线逃逸轨道——而无需输入牛顿定律运动和引力。

反,这种方法形成了团队所说的离散场论,它将宇宙建模为一种“黑匣子”。这种方法意味着人们可以从“数据到数据”——从训练数据到预测——而不依赖物理定律提供的中间步骤。

值得强调的是,服务和学习算法并不知道、学习或使用牛顿运动定律和万有引力定律。

离散场论直接将观测数据和新的预测联系起来。不需要牛顿定律。

从本质上讲,该团队的算法能够学习行星运动的规律并理解任何物理系统背后的动力学,仅通过几个例子进行训练。该算法不需要依赖求解复杂的微分方程来提供高度准确的预测。

我们可能最熟悉机器学习算法,因为它们用于推荐引擎、 面部识别自然语言处理应用程序。然而,在物理学领域,机器学习算法通常用于对复杂过程进行建模,例如磁聚变装置中的等离子体破裂,或对流体的动态运动进行建模。在普林斯顿团队的这项工作中,该算法跳过了需要使用物理学惯例进行显式编程的中间步骤。

 

研究人员的方法部分受到牛津哲学家尼克博斯特罗姆哲学思想实验的启发,即宇宙实际上是一个计算机模拟。Bostrom 的模拟假设指出,人类可能已经进入了一个高度技术化的“后人类”阶段,在这个阶段可以使用巨大的计算能力。

模拟假设指出,物理宇宙是一个计算机模拟,物理学家正在仔细检查它作为可能的现实,如果假设成立,那么时空必然是离散的。物理学中的场论也是如此。然后,至少从理论的角度来看,认为离散域理论的一些机器学习和服务算法是离散宇宙(即计算机模拟)运行以最小化动作的方法是合理的。

 

该团队表示,他们的新方法可能会在预测等离子体粒子在聚变能实验中的行为方面有一些有趣的应用。当两个或多个原子核结合形成一个或多个不同的原子核和亚原子粒子时,就会发生聚变,从而产生大量能量。核聚变是恒星的主要能量来源,如果科学家能够预测聚变过程是如何工作的,这可能是将其用作近乎无限的可再生能源的一种方式。

 

猜你喜欢