Математики впервые привлекли компьютеры к решению задач в теории узлов и теории представлений, а астрономы — заглянули в «чёрный ящик» ИИ. Правда, компьютеру пришлось доказывать свою надежность, но он справился.
«Математические проблемы очень часто называют самыми сложными в интеллектуальном ключе. Нам доводилось использовать машинное обучение, чтобы анализировать большие данные, но впервые мы предложили ИИ сформулировать гипотезу или придумать новые подходы к недоказанным идеям в математике», — говорит Джордж Уильямсон из Сиднейского университета.
Профессор Уильямсон специализируется на теории представлений — направлении математики, которая исследует многомерные пространства через линейную алгебру. Здесь гипотезы строятся на сложных системах уравнений во многих измерениях. И хотя компьютеры активно используются в экспериментальной физике, к поиску закономерностей их не привлекали. И, как оказалось, зря.
Сперва ИИ предложили гипотезу о полиномах Каждана-Люстига, которая не решалась в течение 40 лет. Компьютер предложил варианты, которые помогут его «наставнику» найти решение гипотезы. Но на этом исследователи не остановились. Благодаря ИИ они обнаружили удивительную связь между алгебраическими и геометрическими инвариантами узлов, выстроив совершенно новую теорему в математике.
В теории узлов инварианты используются, чтобы отличать узлы друг от друга, а еще чтобы математики могли понять их свойства и связи с другими областями науки. И хотя теория интересна сама по себе, она полезна для физических наук, например, чтобы понять динамику жидкостей, силы в короне Солнца или как устроены нити ДНК.
Ученые отмечают, что этот эксперимент — доказательство потенциала совместной работы людей и искусственного интеллекта. Машинное обучение, ведомое математической интуицией, может выявлять неочевидные и доказуемые предположения в областях, где много данных, но не работают классические методы анализа.
Такой подход применим не только в математике, но и в физике, особенно в космологии, которая опирается на огромные массивы данных и теории.
Обычно астрономы используют метод транзитов, чтобы исследовать экзопланеты и измерить падение светимости звезды, когда планета проходит перед ней. Если у небесного тела есть атмосфера, то она тоже поглощает немного света. Наблюдая это явление в разных длинах волн (разном цвете), можно найти «отпечатки» молекул, которые формируют узнаваемые паттерны. Атмосфера планеты размером с Юпитер уменьшает объем света от звезды примерно на 0,01%. Планета размером с Землю — в 10, а то 100 раз меньше. К тому же атмосферы устроены очень сложно, и анализ только одной из них может занимать дни, недели и даже месяцы.
Взгляд ученых упал на ИИ, которые умеют обучаться на больших массивах данных и прекрасно выслеживают паттерны, если их параметры им известны. Но прежде чем привлечь к космическим задачам компьютеры, пришлось доказать, что логика ИИ надежна. Для этого понадобился эксперимент.
Разработанный метод помогает понять, как ИИ принимает решения. Для примера взяли кота. ИИ должен был определить: есть на изображении кошка или нет. Скорее всего, компьютер будет ориентироваться на характерные признаки: наличие шерсти, форму морды, есть ли уши. Чтобы понять, какие параметры ИИ берет в расчет и в каком порядке, изображение стали размывать частями.
По такому же методу сконструировали и эксперимент для анализа атмосфер экзопланет, меняя области спектра. Наблюдая, как меняются прогнозы ИИ о количестве молекул (например, воды в атмосфере), ученые начали понимать картину «мышления» компьютера. В частности, какие области спектра он анализировал, чтобы выявить то или иное вещество.
Оказалось, что ИИ мало отличается от живого астронома и «смотрит» на те же физические явления, какие отслеживал бы человек. Это открытие, как и сам метод, позволило заглянуть в так называемый черный ящик ИИ, то есть понять, как именно компьютер принимает то или иное решение и какие факторы на это влияют.
Иначе говоря, ИИ доказал, что ему можно доверять, а значит его можно привлечь к исследованию экзопланет.
Математик Джордж Уильямсон после своего эксперимента отметил новую грань работы с машинным обучением: «Есть много вариантов интеллекта: академический, эмоциональный, социальный. Надеюсь, что ИИ станет еще одним видом». А где и как его сможет применить человек — дело будущего.
Читать далее
Полный мутаций омикрон: почему все так боятся нового штамма COVID-19 и чем он опасен
Антарктические рыбы начинают вести себя «пугающе» из-за потепления воды
Первые в мире живые роботы могут размножаться. Ученые никогда такого не видели