Un grupo de investigación dirigido por el Profesor Asociado YAGUCHI Takaharu Escuela de Graduados en Informática de Sistemas y el Profesor Asociado MATSUBARA Takashi Escuela de Graduados en Ciencias de la Ingeniería, Universidad de Osaka han logrado desarrollar tecnología para simular fenómenos para los cuales el mecanismo o la fórmula detallados no se explicanLo hicieron utilizando inteligencia artificial IA para crear un modelo, que es fiel a las leyes de la física, a partir de datos de observación.
Se espera que este desarrollo permita predecir fenómenos que han sido difíciles de simular hasta ahora porque se desconocían sus mecanismos subyacentes detallados. También se espera que aumente la velocidad de las simulaciones en sí mismas.
Estos logros de la investigación se presentaron el 7 de diciembre en el Trigésima cuarta conferencia sobre sistemas de procesamiento de información neuronal NeurIPS 2020, una reunión sobre temas relacionados con la tecnología de inteligencia artificial. Se publicaron 9454 artículos en NeurIPS 2020 y de los 1900 que se seleccionaron, este artículo de investigación se ubicó en el 1.1% superior y fue uno de los 105 seleccionados para el examen oral.presentación en la conferencia.
Puntos principales
antecedentes de investigación
Normalmente, es posible realizar predicciones de fenómenos físicos a través de simulaciones utilizando supercomputadoras, y estas simulaciones utilizan ecuaciones basadas en las leyes de la física. Aunque estas ecuaciones son muy versátiles, esto no siempre significa que sean capaces de realizar perfectamentereplicar las características distintivas de los fenómenos individuales. Por ejemplo, muchas personas aprenden sobre la física detrás del movimiento de un péndulo en la escuela secundaria. Sin embargo, si realmente hicieras un péndulo e intentaras balancearlo, un pequeño defecto de fabricación en el péndulo podríacausar que no se mueva de acuerdo con la teoría y esto daría lugar a un error en la predicción de la simulación. En consecuencia, la investigación sobre la aplicación de datos de observación de fenómenos a simulaciones a través de la inteligencia artificial ha avanzado en los últimos años. Si esto se puede realizar plenamente,Será posible desarrollar simulaciones personalizadas de fenómenos reales, lo que debería mejorar la precisión de la predicción de las simulaciones.ns.
Sin embargo, es difícil introducir las leyes de la física que gobiernan los fenómenos del mundo real a la tecnología de predicción que utiliza la IA actual porque las computadoras son digitales. Ha sido difícil replicar perfectamente leyes físicas como la ley de conservación de energía. En consecuencia, aumentos antinaturales opueden producirse disminuciones de energía en las predicciones a largo plazo. Esto puede hacer que fenómenos como la velocidad del objeto o la altura de las olas se sobreestimen o subestimen, y dan lugar a incertidumbre con respecto a la fiabilidad de la predicción.
Resultados de la investigación
Este grupo de investigación desarrolló una nueva tecnología basada en inteligencia artificial que se puede utilizar para predecir varios fenómenos al preservar estrictamente las leyes físicas, como la ley de conservación de energía.
Este enfoque recientemente desarrollado nació de la noción 'si el mundo fuera digital'. Con base en esta forma de pensar, se introdujeron leyes físicas que deben preservarse en un mundo tan digital. Centrándose en el hecho de que las leyes físicas están escritas entérminos de cálculo como 'diferenciación' e 'integración', los investigadores los reescribieron utilizando cálculo digital.
Para hacer esto técnicamente, los investigadores desarrollaron una nueva versión digital de retropropagación * 1, que se utiliza en el aprendizaje automático, utilizando la diferenciación automática. Es posible preservar leyes físicas como la ley de conservación de energía en el mundo digital conEste nuevo enfoque. Además, esto permite que la ley de conservación de energía se realice correctamente mediante tecnología basada en IA incluso en simulaciones. El uso de esta nueva metodología hará posibles predicciones altamente confiables y evitará la ocurrencia de aumentos y disminuciones no naturales en la energía que se ven enmodelos convencionales.
En la técnica desarrollada en este estudio, la IA aprende la función de energía a partir de los datos de observación de los fenómenos físicos y luego genera ecuaciones de movimiento en el mundo digital. Estas ecuaciones de movimiento pueden ser utilizadas tal cual por el programa de simulación, ySe espera que la aplicación de tales ecuaciones resulte en nuevos descubrimientos científicos Figura 1. Además, no es necesario que estas ecuaciones de movimiento se reescriban para la simulación por computadora, por lo que las leyes físicas como la ley de conservación de energía puedenser replicado.
Para introducir las leyes físicas en el mundo digital, también se utilizaron enfoques geométricos como los de la geometría simpléctica * 2 y la geometría de Riemann * 3. Esto permite aplicar esta técnica a la predicción de una gama más amplia defenómenos. Por ejemplo, el fenómeno de dos gotas que se convierten en una se puede explicar en términos de la pérdida de energía que se produce cuando se convierten en una sola gota. Este tipo de fenómeno se puede describir bien utilizando la geometría riemanniana. De hecho, tanto la conservación de energía comoLos fenómenos de disipación de energía se pueden mostrar en una ecuación similar desde un aspecto geométrico, lo que podría permitir la creación de un sistema unificado que pueda manejar ambos tipos de fenómenos. Al incorporar esta forma de pensar, el modelo desarrollado a través de esta investigación se amplió para manejar la energía.también fenómenos de disipación, lo que permite estimar con precisión la reducción de energía.
Ejemplos de tales fenómenos incluyen la organización estructural de materiales, el crecimiento de cristales y la mecánica de extensión de grietas, y se espera que más desarrollos en la tecnología de IA permitan predecir este tipo de fenómenos.
Además, el grupo de investigación también aumentó con éxito la eficiencia del aprendizaje de la IA y los experimentos demostraron que esto era 10 veces más rápido que los métodos actuales.
Investigación adicional
El enfoque desarrollado por esta investigación sugiere que sería posible, al predecir fenómenos físicos, producir simulaciones personalizadas que imiten aspectos detallados de estos fenómenos que son difíciles de coordinar para los humanos. Esto permitiría aumentar la precisión de lasimulación al mismo tiempo que hace posibles predicciones más eficientes, lo que lleva a mejoras en el tiempo de cálculo para varias simulaciones físicas.
Además, el uso de IA para extraer leyes físicas a partir de datos de observación permitirá predecir fenómenos que antes eran difíciles de simular debido a que se desconocen sus mecanismos detallados.
Las predicciones hechas por IA a menudo se han denominado 'cajas negras' y son propensas a problemas de confiabilidad. Sin embargo, el enfoque desarrollado a través de esta investigación es altamente confiable porque puede replicar fenómenos con precisión mientras se adhiere a leyes físicas como la ley de conversión de energía, lo que significa que es poco probable que ocurran predicciones excesivas y predicciones inferiores.
Esta técnica también puede desarrollar la retropropagación, que se utiliza comúnmente en el aprendizaje de IA. Por lo tanto, podría mejorar la velocidad de varios tipos de aprendizaje automático más allá de la tecnología en este estudio de investigación.
Glosario
1. Retropropagación BP : La retropropagación es un algoritmo utilizado en el aprendizaje automático. Se utiliza para calcular la mejor manera de corregir las respuestas incorrectas dadas por la IA durante el período de aprendizaje según cálculos de diferenciación.
2. Geometría simpléctica : La geometría detrás de las teorías mecánicas como las leyes de Newton. Se considera que es capaz de describir leyes físicas como la mecánica sin coordenadas ya que las leyes existen independientemente de las coordenadas específicas. Por lo tanto, es posible describir y analizar ecuaciones de movimiento usando simplécticasgeometría.
3. Geometría de Riemann: La geometría de Riemann se utiliza para estudiar superficies curvas. Permite introducir los conceptos de longitud y ángulo a una variedad de temas. Mediante el uso de este enfoque geométrico, fenómenos como la disipación de energía se pueden modelar en términos de un punto en movimientopor una pendiente.
Fuente de la historia :
Materiales proporcionado por Universidad de Kobe . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :