デューク大学の研究者らが、自然と技術の高度に複雑なシステムの基盤となる単純なルールを明らかにする人工知能フレームワークを開発した。12月17日にnpj Complexityに掲載されたこのツールは、時系列データを解析し、本質的な振る舞いを捉えるコンパクトな方程式を生成する。この手法は、従来の手法が不十分な科学理解のギャップを埋める可能性がある。
Boyuan Chen氏が率いるチームが開発した新しいAIは、デューク大学General Robotics LabのディレクターであるChen氏が主導し、Isaac Newtonのような歴史的人物から着想を得ており、彼は変化するシステムのための式を定式化した。このAIは複雑なダイナミクスの進化に関するデータを処理し、数千の変数を実際の観測に対して正確なまま、よりシンプルで線形に似たモデルに蒸留する。
1930年代の数学者Bernard Koopmanの理論に基づき、非線形システムを線形に表現できるとするこのフレームワークは、こうした表現に必要な膨大な方程式の量という主要な課題に対処する。深層学習を物理ベースの制約と統合することで、実験データのパターンを見つけ出し、従来の機械学習手法よりも最大10倍小さいモデルを生み出す。
振り子運動、電気回路、気候モデル、神経信号など多様なアプリケーションでのテストにより、このAIは信頼性の高い長期予測のための少数の支配変数を明らかにできることが示された。「際立つのは精度だけでなく、解釈可能性だ」とChen氏は述べた。「線形モデルがコンパクトであれば、科学発見プロセスは人間の科学者が千年かけて開発した既存の理論や手法と自然につながる。」
予測を超えて、このシステムは安定状態、すなわちアトラクターを検出し、科学者がシステムの健康状態や迫り来る変化を評価するのに役立つ。Chen氏のラボのPhD候補生で筆頭著者のSam Moore氏は、「動態学者にとって、これらの構造を見つけるのは新しい風景のランドマークを見つけるようなものだ」と説明した。彼は付け加えた、「これは物理学を置き換えるものではない。物理学が未知、隠蔽、または記述しにくい場合にデータを用いて推論する能力を拡張するものだ。」
Chen氏はより広範な影響を強調した、「科学的発見は常に複雑なプロセスの簡略化された表現の発見に依存してきた。私たちは複雑なシステムを理解するための生データをますます持っているが、それを科学者が頼る簡略化されたルールに変えるツールがない。そのギャップを埋めることが不可欠だ。」
National Science Foundation、Army Research Office、DARPAによる資金提供で、この研究は自動発見のための「機械科学者」に向けた進展である。将来的な計画には、実験のためのデータ収集の最適化と、生物システムからのビデオやオーディオなどのマルチメディアへの拡張が含まれる。
