Forskare vid Duke University har utvecklat en ram för artificiell intelligens som avslöjar raka regler under högt komplexa system i naturen och tekniken. Publicerad den 17 december i npj Complexity analyserar verktyget tidsseriedata för att producera kompakta ekvationer som fångar essentiella beteenden. Detta tillvägagångssätt kan överbrygga luckor i den vetenskapliga förståelsen där traditionella metoder brister.
Den nya AI:n, skapad av ett team ledd av Boyuan Chen, chef för General Robotics Lab vid Duke University, hämtar inspiration från historiska figurer som Isaac Newton, som formulerade ekvationer för föränderliga system. Den bearbetar data om hur komplexa dynamiker utvecklas och destillerar tusentals variabler till enklare, linjeliknande modeller som förblir korrekta mot verkliga observationer.
Byggande på matematikern Bernard Koopmans teori från 1930-talet, som hävdar att icke-linjära system kan representeras linjärt, adresserar ramen en nyckelutmaning: den enorma volymen av ekvationer som behövs för sådana representationer. Genom att integrera djupinlärning med fysikbaserade begränsningar identifierar den centrala mönster i experimentella data, vilket resulterar i modeller upp till 10 gånger mindre än de från tidigare maskininlärningstekniker.
Tester över olika tillämpningar – såsom pendelsvängningar, elektriska kretsar, klimatmodeller och neurala signaler – visade AI:ns förmåga att avslöja ett fåtal styrande variabler för pålitliga långsiktiga prognoser. «Det som sticker ut är inte bara noggrannheten, utan tolkbarheten», noterade Chen. «När en linjär modell är kompakt kan den vetenskapliga upptäcktsprocessen naturligt kopplas till befintliga teorier och metoder som mänskliga forskare utvecklat under årtusenden.»
Utöver prognoser upptäcker systemet stabila tillstånd, eller attraktorer, vilket hjälper forskare att bedöma systemhälsa och förestående förändringar. Huvudförfattaren Sam Moore, doktorand i Chens labb, förklarade: «För en dynamiker är det att hitta dessa strukturer som att hitta landmärken i ett nytt landskap.» Han tillade: «Det handlar inte om att ersätta fysik. Det handlar om att utöka vår förmåga att resonera med data när fysiken är okänd, dold eller för tung att skriva ner.»
Chen betonade den bredare inverkan: «Vetenskaplig upptäckt har alltid byggt på att hitta förenklade representationer av komplicerade processer. Vi har alltmer rådata som behövs för att förstå komplexa system, men inte verktygen för att omvandla den informationen till de förenklade regler som forskare förlitar sig på. Att överbrygga den luckan är essentiellt.»
Finansierat av National Science Foundation, Army Research Office och DARPA, arbetar forskningen mot »machine scientists« för automatiserad upptäckt. Framtida planer inkluderar optimering av datainsamling för experiment och utökning till multimedia som video och ljud från biologiska system.
