Kunstmatige Intelligentie buigt zich over onopgeloste natuurkunde vraagstukken

Een team van wetenschappers onder leiding van de Zwitser Renato Renner heeft recent een KI programma ontwikkeld welke ingezet gaat worden om tot nu toe onopgeloste natuurkundige vraagstukken te ontrafelen. De testfase, welke gebruik maakte van reeds bekende fysica, bleek succesvol: het systeem ontdekte zelf dat ons zonnestelsel heliocentrisch is. Maar waar ‘menselijke’ natuurkundigen nog steeds het hoofd over breken zou ‘SciNet’ – zoals het systeem genoemd werd – uitkomst moeten bieden.

Een computer gegenereerd donkere materie kaart gebruikt voor training van een KNN Credits; ETH Zürich

De SciNet betreft een neurale netwerkomgeving, d.w.z. een zelflerend computerprogramma geïnspireerd op het menselijk brein. In het abstract* staat het als volgt; ‘Ondanks het succes van neurale netwerken bij het oplossen van concrete fysische problemen, staat hun gebruik als algemeen hulpmiddel voor wetenschappelijke ontdekking nog in de kinderschoenen. Hier benaderen we dit probleem door een neurale netwerkarchitectuur te modelleren naar het menselijke fysieke redeneerproces, dat overeenkomsten heeft met representatieleren.’  Het is dus de bedoeling dat het kunstmatig neurale netwerk (KNN) of ‘robotnatuurkundige’ zich gaat buigen over de belangrijkste onopgeloste problemen in de moderne fysica. KNN’s  zijn computersystemen die zijn geïnspireerd door biologische neurale netwerken. Ze ‘leren’ taken uit te voeren door voorbeelden te overwegen, meestal zonder te zijn geprogrammeerd met taakspecifieke regels. Bij beeldherkenning leren ze bijvoorbeeld afbeeldingen te identificeren die honden bevatten door voorbeeldafbeeldingen te analyseren die handmatig zijn gelabeld als ‘hond’ of ‘geen hond’ en de resultaten te gebruiken om honden in andere afbeeldingen te identificeren. Ze doen dit zonder enige voorkennis van honden. In plaats daarvan genereren ze automatisch identificerende kenmerken uit de voorbeelden die ze verwerken.Voer zo’n NN of ‘kunstbrein’ voldoende foto’s en het kan je moeiteloos vertellen of je op een foto een hond ziet of een wolf.

Het is de bedoeling dat de robotnatuurkundige zich gaat bezighouden met onopgeloste problemen in de moderne fysica. Om SciNet te testen liet men reeds opgeloste fysica problemen – ook wel ’toyexamples’ of speelgoedproblemen genoemd** –  los op het programma. En zo ontdekte het systeem dat de aarde om de zon draait. ‘Ons werk zet een eerste stap om te bepalen of onze natuurwetten zonder verdere voorkennis volgen uit de wereld om ons heen’, schrijven Renner en collega’s in hun artikel. Het zou volgens hen ook best kunnen dat er alternatieve natuurwetten bestaan die eenvoudiger blijken dan de regels die ‘menselijke’ natuurkundigen hebben bedacht.  ‘Voorlopig volgt SciNet echter onze natuurkundelesboeken’, aldus het team. Bron: de Volkskrant.

_{*Discovering physical concepts with neural networks, Physical Review Letters, Renato Renner e.a., okt. 2019}

_{https://journals.aps.org/prl/accepted/9e07eY09T2e1fd7f88ae46166090ef41fa6ad4c34}

_{**een probleem dat niet van direct wetenschappelijk belang is, maar toch wordt gebruikt als een verklarend hulpmiddel om een bepaalde, meer algemene, probleemoplossende techniek uit te leggen. Een speelgoedprobleem is nuttig om methodieken te testen en aan te tonen.}