Peneliti di Universitas Duke telah mengembangkan kerangka kerja kecerdasan buatan yang mengungkap aturan sederhana yang mendasari sistem sangat kompleks di alam dan teknologi. Diterbitkan pada 17 Desember di npj Complexity, alat ini menganalisis data deret waktu untuk menghasilkan persamaan ringkas yang menangkap perilaku esensial. Pendekatan ini dapat menjembatani kesenjangan dalam pemahaman ilmiah di mana metode tradisional kurang memadai.
AI baru ini, yang dibuat oleh tim yang dipimpin oleh Boyuan Chen, direktur General Robotics Lab di Universitas Duke, terinspirasi dari tokoh sejarah seperti Isaac Newton, yang merumuskan persamaan untuk sistem yang berubah. Ia memproses data tentang bagaimana dinamika kompleks berkembang, menyaring ribuan variabel menjadi model yang lebih sederhana seperti linier yang tetap akurat terhadap pengamatan dunia nyata.
Membangun atas teori matematikawan Bernard Koopman pada 1930-an, yang menyatakan bahwa sistem nonlinier dapat direpresentasikan secara linier, kerangka ini mengatasi tantangan kunci: volume persamaan yang sangat besar yang diperlukan untuk representasi tersebut. Dengan mengintegrasikan pembelajaran mendalam dengan batasan berbasis fisika, ia mengidentifikasi pola-pola penting dalam data eksperimental, menghasilkan model hingga 10 kali lebih kecil daripada teknik pembelajaran mesin sebelumnya.
Pengujian di berbagai aplikasi—seperti ayunan pendulum, sirkuit listrik, model iklim, dan sinyal saraf—menunjukkan kemampuan AI untuk mengungkap segenggam variabel pengatur untuk prediksi jangka panjang yang andal. "Yang menonjol bukan hanya akurasi, tapi keterbacaan," catat Chen. "Ketika model linier ringkas, proses penemuan ilmiah dapat terhubung secara alami dengan teori dan metode yang telah dikembangkan oleh ilmuwan manusia selama milenium."
Selain prediksi, sistem mendeteksi keadaan stabil, atau atraktor, membantu ilmuwan mengukur kesehatan sistem dan perubahan yang akan datang. Penulis utama Sam Moore, calon PhD di lab Chen, menjelaskan: "Bagi dinamikawan, menemukan struktur ini seperti menemukan landmark di lanskap baru." Ia menambahkan, "Ini bukan tentang menggantikan fisika. Ini tentang memperluas kemampuan kita untuk bernalar menggunakan data ketika fisika tidak diketahui, tersembunyi, atau terlalu rumit untuk ditulis."
Chen menekankan dampak yang lebih luas: "Penemuan ilmiah selalu bergantung pada menemukan representasi sederhana dari proses rumit. Kita semakin memiliki data mentah yang diperlukan untuk memahami sistem kompleks, tapi tidak alat untuk mengubah informasi itu menjadi aturan sederhana yang diandalkan ilmuwan. Menjembatani kesenjangan itu sangat penting."
Didanai oleh National Science Foundation, Army Research Office, dan DARPA, pekerjaan ini maju menuju "machine scientists" untuk penemuan otomatis. Rencana masa depan mencakup optimalisasi pengumpulan data untuk eksperimen dan perluasan ke multimedia seperti video dan audio dari sistem biologis.
