La IA está descubriendo su propia física 'fundamental' y los científicos están desconcertados
La física es una de las disciplinas más rigurosas y rígidas de la ciencia, plagada de largas ecuaciones y mediciones complejas que deben hacerse correctamente para revelar sus secretos. Sin embargo, incluso antes de que se armara la ecuación más simple, los científicos primero tuvieron que descifrar un predecesor crucial de las ecuaciones escritas: las variables de un sistema.
Tomemos la gran ecuación fundamental de fuerza de Newton: F=MA. Antes de que se pudiera componer tal ecuación, Newton primero necesitaba comprender los conceptos de aceleración, masa y fuerza. Esta es una tarea que no tiene un camino bien trazado a seguir, dijo a Motherboard Hod Lipson, profesor de ingeniería y ciencia de datos de la Universidad de Columbia.
"Es un arte, no hay una manera sistemática", dice Lipson. "Es casi como, ¿cómo descubres el alfabeto? Simplemente sucede orgánicamente".
En el Laboratorio de Máquinas Creativas de Lipson, él y sus colegas quieren comprender mejor cómo se lleva a cabo este proceso de descubrimiento y cómo se puede mejorar mediante el uso del aprendizaje automático para descubrir física alternativa oculta que los científicos humanos pueden haber pasado por alto.
Para ello, Lipson y sus colegas han diseñado un algoritmo de aprendizaje automático capaz de estudiar fenómenos físicos "observando" vídeos, como la oscilación de un péndulo doble o el parpadeo de una llama, y produciendo la cantidad de variables necesarias para explicar la acción. . Para los sistemas conocidos, el algoritmo pudo predecir el número correcto de variables dentro de 1 valor (por ejemplo, 2,05 variables para describir un solo péndulo en lugar de 2) e incluso hacer predicciones variables para sistemas desconocidos. Los hallazgos se publicaron la semana pasada en un estudio titulado "Descubrimiento automatizado de variables fundamentales ocultas en datos experimentales" en la revista Nature Computational Science.
Si bien este algoritmo no es el primero en estudiar datos y tratar de extraer una relación física de ellos, Lipson dice que este trabajo se distingue porque es el primero en no proporcionar al algoritmo ninguna información sobre el número o tipo de variables anticipadas en un sistema. Debido a esto, el sistema no está restringido a buscar variables solo a través de una lente humana, lo que, según Lipson, podría ser crucial para descubrir la física oculta dentro de estos sistemas.
"No es que las personas trabajen día y noche para buscar estas variables y esto puede acelerar el proceso", explica Lipson.
"Es más que probablemente estemos pasando por alto muchas cosas", continúa. "Pero mucho depende de esas variables que pensamos que si pudiéramos usar algo de inteligencia artificial en esto, tal vez descubramos cosas que son súper útiles y cambiarán nuestra forma de pensar".
Para preparar su algoritmo para el éxito, Lipson y sus colegas, incluido el primer autor del artículo y ahora profesor asistente de ingeniería en la Universidad de Duke, Boyuan Chen, lo alimentaron con videos de movimiento dinámico en una variedad de complejidades. Esto incluía movimientos conocidos como péndulos dobles y bastones oscilantes, así como movimientos aún no entendidos como lámparas de lava, fuegos parpadeantes o bailarines inflables.
Después de estudiar estos videos, la IA intentó modelar los fenómenos unos pasos hacia el futuro y crear una lista de variables cada vez más pequeñas que fueron responsables de la acción. Finalmente, la IA arrojaría la cantidad mínima de variables requeridas por el sistema para capturar con precisión el movimiento.
Si bien la IA tuvo bastante éxito en descubrir la cantidad correcta de variables, hay una gran trampa que evitará que ingrese a los laboratorios de ciencia en el corto plazo. Puede decirles a los científicos que hay una cierta cantidad de variables en un sistema, pero actualmente carece de lenguaje para describir cuáles son esas variables; por ejemplo, devolvió ocho variables para el "bailarín del aire" y 24 para la chimenea. La explicabilidad es un objetivo de investigación de larga data para los sistemas de IA, que pueden ser cajas negras complejas que dificultan que los científicos realicen ingeniería inversa en una decisión específica.
Esto es algo que a Chen no le preocupa demasiado, por el momento.
"Lo que tenemos ahora es como un marco general", dice Chen. "Una cosa que será muy interesante es colaborar con expertos que tengan datos e intuición sobre lo que están haciendo esos datos. Lo que queremos hacer es ayudarlos a descubrir lo que aún no saben sobre los datos".
En el futuro, esto podría parecer estudiar sistemas más allá de la física, como la evolución de enfermedades o el cambio climático, dice Lipson. En el futuro, esperan que los patrones que surjan del algoritmo ayuden a comunicar sus hallazgos más fácilmente a los colaboradores humanos. Según Lipson, este será el próximo gran avance en el descubrimiento científico.
"Los humanos han estado haciendo esto durante 300 años, y me parece que hemos llegado al final de lo que podemos hacer manualmente", dice Lipson. "Necesitamos algo que nos ayude a pasar al siguiente nivel".
Al registrarse, acepta los Términos de uso y la Política de privacidad y recibe comunicaciones electrónicas de Vice Media Group, que pueden incluir promociones de marketing, anuncios y contenido patrocinado.