目 录CONTENT

文章目录

这款人工智能能够在人类只看到混乱的地方发现简单的规律

Administrator
2025-12-22 / 0 评论 / 0 点赞 / 0 阅读 / 0 字

📢 转载信息

原文链接:https://www.sciencedaily.com/releases/2025/12/251221091237.htm

原文作者:Duke University


这款人工智能能够在人类只看到混乱的地方发现简单的规律

这项新的人工智能揭示了隐藏在世界上最复杂系统之下的简单定律。

AI Finds Simple Rules Behind Complexity
杜克大学的研究人员开发出一种人工智能,它能够发现隐藏在复杂、不断变化的系统中的简单数学规律。该方法将海量数据转化为清晰的模型,科学家可以理解和使用。图片来源:Shutterstock

杜克大学的研究人员开发出一种新的人工智能框架,旨在揭示自然界和现代技术中最复杂动力学背后清晰、易懂的规律。

该系统从历史上伟大的“动态学专家”——研究随时间变化的系统的科学家们的工作中汲取灵感。正如常被认为是第一位动态学家的艾萨克·牛顿(Isaac Newton)提出了描述力和运动的方程一样,这款人工智能分析复杂系统随时间演变的数据,然后生成能够准确描述该行为的方程。

这种方法的独特性在于它能处理超越人类能力范围的复杂性。该人工智能可以将涉及数百甚至数千个相互作用变量的非线性系统简化为具有少得多维度的简单规则。

理解时间变化的新工具

这项研究于12月17日在线发表在npj Complexity杂志上,它为科学家们提供了一种强大的新方法,利用人工智能研究随时间演变的系统——包括天气模式、电路、机械装置和生物信号等。

杜克大学通用机器人实验室主任、机械工程和材料科学系的Dickinson家族助理教授Boyuan Chen表示:“科学发现一直依赖于对复杂过程的简化表示。我们越来越多地拥有理解复杂系统所需的原始数据,但缺乏将这些信息转化为科学家所依赖的简化规律的工具。弥合这一差距至关重要。”

简化的经典例子来自物理学。炮弹的路径取决于许多因素,包括发射速度、角度、空气阻力、不断变化的风况,甚至环境温度。尽管存在这种复杂性,但其运动的近似值可以用一个简单的线性方程来捕捉,该方程仅使用发射速度和角度。

构建于数十年前的数学思想之上

这种简化反映了数学家伯纳德·库普曼(Bernard Koopman)在20世纪30年代提出的一个理论概念。库普曼证明了复杂的非线性系统可以用线性模型在数学上表示。新的人工智能框架正是建立在这一思想之上的。

然而,存在一个重要的挑战。用线性模型表示高度复杂的系统通常需要构建数百甚至数千个方程,每个方程都与一个不同的变量相关联。处理这种复杂程度对人类研究人员来说是困难的。

这就是人工智能特别有价值的地方。

人工智能如何减少复杂性

该框架研究实验的时间序列数据,识别系统变化方式中最有意义的模式。它将深度学习与受物理学启发的约束相结合,将系统范围缩小到仍能捕捉其基本行为的一小部分变量。其结果是一个在数学上表现得像线性系统,同时又忠实于现实世界复杂性的紧凑模型。

为了测试这种方法,研究人员将其应用于各种各样的系统。这些系统范围从熟悉的单摆摆动电路的非线性行为,再到气候科学和神经回路中使用的模型。尽管这些系统大不相同,但人工智能一致地发现了一小组控制其行为的隐藏变量。在许多情况下,所得模型的规模比先前机器学习方法产生的模型小十倍以上,同时仍能提供可靠的长期预测。

陈教授(他同时在电气工程、计算机工程和计算机科学系任职)说:“突出之处不仅在于准确性,还在于可解释性。当一个线性模型足够紧凑时,科学发现过程就可以自然地与人类科学家数千年来发展的现有理论和方法联系起来。这就像是连接人工智能科学家与人类科学家一样。”

寻找稳定性和预警信号

该框架的作用不止于进行预测。它还可以识别系统随时间自然稳定下来的稳定状态,即吸引子(attractors)。识别这些状态对于确定系统是正常运行、缓慢漂移还是接近不稳定状态至关重要。

该研究的首席作者、陈教授通用机器人实验室的博士候选人萨姆·摩尔(Sam Moore)说:“对于动态学专家来说,找到这些结构就像在一个新景观中找到地标。一旦你知道稳定点在哪里,系统的其余部分就开始有意义了。”

研究人员指出,当传统方程不可用、不完整或推导起来过于复杂时,这种方法尤其有用。摩尔继续说道:“这并非要取代物理学。这关乎在我们对物理学一无所知、隐藏或过于繁琐而无法写下来时,扩展我们利用数据进行推理的能力。”

迈向“机器科学家”

展望未来,该团队正在探索该框架如何通过主动选择要收集的数据来更有效地揭示系统的结构,从而指导实验设计。他们还计划将该方法应用于更丰富的数据形式,包括视频、音频以及复杂生物系统的信号。

这项研究支持了陈教授通用机器人实验室的一项长期目标,即开发能够协助自动化科学发现的“机器科学家”。通过将现代人工智能与动力学系统的数学语言相结合,这项工作预示着一个未来:人工智能的作用将不仅仅是识别模式,它可能还会帮助揭示塑造物理世界和生命系统的基本规律。

这项工作得到了国家科学基金会研究生研究奖学金、陆军研究实验室STRONG计划(W911NF2320182, W911NF2220113)、陆军研究办公室(W911NF2410405)、DARPA FoundSci计划(HR00112490372)和DARPA TIAMAT计划(HR00112490419)的支持。

项目网站:http://generalroboticslab.com/AutomatedGlobalAnalysis

视频:https://youtu.be/8Q5NQegHz50

通用机器人实验室网站:http://generalroboticslab.com




🚀 想要体验更好更全面的AI调用?

欢迎使用青云聚合API,约为官网价格的十分之一,支持300+全球最新模型,以及全球各种生图生视频模型,无需翻墙高速稳定,文档丰富,小白也可以简单操作。

0

评论区