Egyszerűbb szabályok bonyolult világhoz
A nagy áttörés abban rejlik, hogy az MI olyan komplex, sokváltozós folyamatokat is képes – amelyek akár több száz vagy ezer kölcsönható változót tartalmaznak – esetenként néhány alapvető szabállyá leegyszerűsíteni. Ez túlmutat az emberi számítási képességeken: a rendszer több száz vagy ezer kölcsönható változót elemez, hogy a rejtett összefüggéseket felfedje, és egyértelmű törvényszerűségeket alakítson ki.
Ezek a törekvések összhangban állnak a kor nagy dinamikakutatóinak örökségével: míg Newton nyomán a tudomány az erő és a mozgás közötti kapcsolatot leíró egyenleteket kereste, most az MI teszi ugyanezt – de nagyságrendekkel bonyolultabb rendszereknél. Ilyen például a klasszikus fizika egyik alapjelensége, az ágyúgolyó pályája, ahol számos hatás (indítási sebesség, levegőellenállás, szél, hőmérséklet) ellenére egy egyszerű egyenlet jól közelíti a labda mozgását.
Régi koncepció, új MI-alapokon
Emellett a módszer visszanyúlik a matematikus Bernard Koopman 1930-as évekbeli elméletéhez, miszerint a bonyolult, nemlineáris rendszerek is leírhatók megfelelően megválasztott, lineáris egyenletekkel. A kihívás ma is az, hogy ilyenkor több száz, az egyes változókhoz kötött egyenletet kellene alkotni – ami ember számára gyakorlatilag kezelhetetlen.
Ezért van szükség MI-re: a kutatók mélytanulást kombinálnak fizikailag megalapozott korlátokkal, így sikerül a rendszer viselkedését néhány lényegi változóval is megbízhatóan visszaadni. Az MI idősorokból képes kiszűrni jelentős mintázatokat, hogy összetett rendszereket tömören, matematikailag lineáris modellel írjon le.
Hatékonyság, megbízhatóság, értelmezhetőség
A fejlesztők az új modellt különféle rendszereken tesztelték: a klasszikus inga lengésétől kezdve elektromos körök bonyolult viselkedéséig, éghajlatmodelleken és idegi hálózatokon át sok területen alkalmazták. Az MI rendre olyan rejtett változókat vagy szabályokat talált, amelyek a jelenségek lényegét magyarázták – ráadásul a modelljeik tízszer kisebbek voltak, mint a korábbi gépi tanulásos módszerek, miközben ugyanolyan megbízható előrejelzéseket adtak.
A kompakt modell egyik különlegessége, hogy az egyszerű matematikai leírás a tudományos felfedezés folyamatát is megkönnyíti, hiszen könnyebben kapcsolható a már létező, ember által kidolgozott elméletekhez – ezáltal kapcsolja össze az MI-t és az emberi kutatókat.
Stabilitás és figyelmeztető jelek felismerése
Az MI nem csupán előrejelzésre képes, hanem stabil állapotokat, úgynevezett attraktorokat is azonosít, vagyis azokat a pontokat, ahová az adott rendszer természeténél fogva törekszik. Ezek felderítése alapvető jelentőségű: megmutatják, mikor működik normálisan, mikor kezd letérni a pályáról, vagy mikor kerül közel instabil állapothoz a rendszer.
Felmerül az is, hogy az új módszer ott is működik, ahol a szokásos fizikai egyenletek hiányoznak, pontatlanok vagy túl összetettek. Ez a megközelítés nem helyettesíti a fizikát, hanem új, adatvezérelt lehetőségeket nyit, amikor a hagyományos elméletek nem elegendők.
A jövő: gépi tudósok
A kutatócsoport tervei között szerepel, hogy az MI segítse a kísérletek tervezését az adatgyűjtés célzottabb irányításával, így gyorsabban feltárhatók a bonyolult rendszerek szerkezetei. Emellett a keretrendszert szeretnék alkalmazni gazdagabb, például képi, hang- vagy biológiai adatokon is.
A stratégia távlati célja, hogy a mesterséges intelligencia ne csupán ismerje fel a mintázatokat, hanem feltárja a világot mozgató alapvető szabályokat is – ez teheti lehetővé, hogy gépi tudósok támogassák a felfedezések új korszakát.
