Nachrichten

Kann ein Computer eine Theorie von allem entwickeln?

Es war einmal, als Albert Einstein wissenschaftliche Theorien als „freie Erfindungen des menschlichen Geistes“ beschrieb. Aber 1980 hatte Stephen Hawking, der renommierte Kosmologe der Universität Cambridge, einen anderen Gedanken. In einem Vortrag in diesem Jahr argumentierte er, dass die sogenannte Theorie von Allem erreichbar sein könnte, aber dass der letzte Schliff wahrscheinlich von Computern gemacht werden würde.

“Das Ende der theoretischen Physik ist möglicherweise nicht in Sicht”, sagte er. „Aber für theoretische Physiker könnte es in Sicht sein. ”

Die Theorie von allem ist immer noch nicht in Sicht, aber da Computer viele der Aufgaben im Leben übernehmen – Sprachen übersetzen, Gesichter erkennen, Autos fahren, empfehlen, wen sie bisher haben – ist es nicht so verrückt, sich vorzustellen, dass sie die Hawkings übernehmen und die Einsteins der Welt.

Computerprogramme wie AlphaGo von DeepMind entdecken immer wieder neue Wege, um Menschen bei Spielen wie Go und Schach zu schlagen, die seit Jahrhunderten studiert und gespielt werden. Warum konnte eine dieser wunderbaren Lernmaschinen nicht einen riesigen astronomischen Katalog oder die vom Large Hadron Collider zusammengestellten Petabyte an Daten loslassen, eine Reihe neuer grundlegender Teilchen erkennen oder ein Wurmloch für eine andere Galaxie im äußeren Sonnensystem entdecken? wie der im Film “Interstellar”?

Zumindest ist das der Traum. Anders denken heißt, sich auf das einzulassen, was der Physiker Max Tegmark „Kohlenstoff-Chauvinismus“ nennt. Im November löste das Massachusetts Institute of Technology, an dem Dr. Tegmark Professor ist, einen Scheck der National Science Foundation ein und öffnete die metaphorischen Türen des neuen Instituts für künstliche Intelligenz und grundlegende Interaktionen.

Das Institut ist eines von sieben Instituten, die von der Stiftung und dem US-Landwirtschaftsministerium im Rahmen landesweiter Bemühungen zur Förderung der Arbeit in der künstlichen Intelligenz eingerichtet wurden. Jeder erhält über einen Zeitraum von fünf Jahren 20 Millionen US-Dollar.

Das auf M. I. T. basierende Institut unter der Leitung des Teilchenphysikers Jesse Thaler ist das einzige, das sich speziell der Physik widmet. Es umfasst mehr als zwei Dutzend Wissenschaftler aus allen Bereichen der Physik, von M. I. T., Harvard, der Northeastern University und Tufts.

„Ich hoffe, einen Ort zu schaffen, an dem Forscher aus verschiedenen Bereichen der Physik sowie Forscher, die in den Bereichen Informatik, maschinelles Lernen oder KI arbeiten, zusammenkommen und sich austauschen und gegenseitig unterrichten können “, Sagte Dr. Thaler über einen Zoom-Anruf. „Letztendlich möchte ich Maschinen haben, die wie ein Physiker denken können. ”

Wiederentdeckung der Grundgesetze

Ihr Werkzeug in diesem Bestreben ist eine Marke künstlicher Intelligenz, die als neuronale Vernetzung bekannt ist. Im Gegensatz zu sogenannten Expertensystemen wie Watson von IBM, die mit menschlichem und wissenschaftlichem Wissen beladen sind, sind neuronale Netze so konzipiert, dass sie lernen, wie es das menschliche Gehirn tut. Durch die Analyse großer Datenmengen auf verborgene Muster lernen sie schnell, Hunde von Katzen zu unterscheiden, Gesichter zu erkennen, menschliche Sprache zu replizieren, finanzielles Fehlverhalten zu kennzeichnen und vieles mehr.

“Wir hoffen, alle möglichen neuen Gesetze der Physik zu entdecken”, sagte Dr. Tegmark. “Wir haben bereits gezeigt, dass es Gesetze der Physik wiederentdecken kann. ”

Im vergangenen Jahr haben Dr. Tegmark und ein Student, Silviu-Marian Udrescu, 100 Physikgleichungen aus einem berühmten Lehrbuch entnommen – „The Feynman Lectures on Physics“ von Richard Feynman, Robert Leighton und Matthew Sands – und verwendete sie, um Daten zu generieren, die dann einem neuronalen Netzwerk zugeführt wurden. Das System hat die Daten nach Mustern und Regelmäßigkeiten gesiebt – und alle 100 Formeln wiederhergestellt.

“Wie ein menschlicher Wissenschaftler versucht er nacheinander viele verschiedene Strategien (Module)”, schrieben die Forscher in einem im letzten Jahr in Science Advances veröffentlichten Artikel. „Und wenn es nicht in der Lage ist, das gesamte Problem auf einen Schlag zu lösen, versucht es, es zu transformieren und in einfachere Teile zu unterteilen, die separat angegangen werden können, wobei der vollständige Algorithmus für jedes Teil rekursiv neu gestartet wird. ”

In einem weiteren herausfordernden Experiment zeigten Dr. Tegmark und seine Kollegen dem Netzwerk ein Video von herumfliegenden Raketen und baten es, vorherzusagen, was von einem Bild zum nächsten passieren würde. Egal, die Palmen im Hintergrund. “Am Ende konnte der Computer die wesentlichen Bewegungsgleichungen entdecken”, sagte er.

Das Finden neuer Partikel an einem Ort wie dem Large Hadron Collider des CERN wäre ein Kinderspiel, sagte Dr. Tegmark. A. I. mag Big Data und die Collider-Daten laufen auf Tausende von Terabyte pro Sekunde. Bedenken Sie jedoch, dass seit der Entdeckung des Higgs-Bosons im Jahr 2012 kein neues Partikel in den CERN-Daten enthalten ist, obwohl jahrelang jede Unebenheit im Datenstrom untersucht wurde.

“Das sind Kurven, die Menschen betrachten”, sagte Dr. Tegmark. „In 10 Jahren wird maschinelles Lernen für die Physik genauso wichtig sein wie das Wissen über Mathematik. ”

Derzeit räumt er ein, dass die rekursive Methode des Algorithmus zur Problemlösung, eine als Regression bekannte Praxis, Grenzen hat. Obwohl die Maschine aus einem Datenstapel die Grundgesetze der Physik abrufen kann, kann sie noch nicht die tiefen Prinzipien – wie die Quantenunsicherheit in der Quantenmechanik oder die Relativitätstheorie – entwickeln, die diesen Formeln zugrunde liegen.

“Bis A. I. zurückkommt und Ihnen das sagt, haben wir künstliche allgemeine Intelligenz erreicht, und Sie sollten je nach Ihrer Sichtweise sehr ängstlich oder sehr aufgeregt sein”, sagte Dr. Tegmark. “Der Grund, warum ich ehrlich daran arbeite, ist, dass ich am bedrohlichsten finde, wenn wir ein übermächtiges A. I. bauen und keine Ahnung haben, wie es funktioniert – richtig?”

„Ein Dialog zwischen Mensch und Maschine“

Dr. Thaler, der das neue Institut bei M. I. T. leitet, sagte, er sei einst ein Skeptiker der künstlichen Intelligenz gewesen, jetzt aber ein Evangelist. Er erkannte, dass er als Physiker einen Teil seines Wissens in die Maschine kodieren konnte, um dann Antworten zu geben, die er leichter interpretieren konnte.

“Das wird zu einem spannenden Dialog zwischen Mensch und Maschine”, sagte er, “anstatt nur eine Black Box zu haben, verstehen Sie es nicht, Entscheidungen für Sie zu treffen.” ”

Er fügte hinzu: “Ich mag es nicht besonders, diese Techniken” künstliche Intelligenz “zu nennen, da diese Sprache die Tatsache maskiert, dass viele A. I. Techniken in Mathematik, Statistik und Informatik strenge Grundlagen haben. ”

Ja, bemerkte er, die Maschine kann trotz all seiner Ausbildung viel bessere Lösungen finden als er: „Aber letztendlich kann ich immer noch entscheiden, welche konkreten Ziele es wert sind, erreicht zu werden, und ich kann immer ehrgeizigere Ziele anstreben, wenn ich das weiß kann meine Ziele in einer Sprache, die der Computer versteht, genau definieren, dann kann AI leistungsstarke Lösungen liefern. ”

Kürzlich haben Dr. Thaler und seine Kollegen ihrem neuronalen Netzwerk eine Datenmenge aus dem Large Hadron Collider zugeführt, der Protonen auf der Suche nach neuen Partikeln und Kräften zerschmettert. Protonen, die Bausteine ​​der Atommaterie, sind selbst Säcke kleinerer Einheiten, die Quarks und Gluonen genannt werden. Wenn Protonen kollidieren, spritzen diese kleineren Teilchen in Jets heraus, zusammen mit allen anderen exotischen Teilchen, die aus der Energie der Kollision zusammengewachsen sind. Um diesen Prozess besser zu verstehen, baten er und sein Team das System, zwischen den Quarks und den Gluonen in den Collider-Daten zu unterscheiden.

“Wir sagten:” Ich werde Ihnen nichts über die Quantenfeldtheorie erzählen. Ich werde Ihnen nicht sagen, was ein Quark oder Gluon auf einer fundamentalen Ebene ist “, sagte er. “Ich werde nur sagen:” Hier ist ein Durcheinander von Daten, bitte trennen Sie sie in zwei Kategorien. “Und es kann es tun. ”

Das heißt, das System hat Quarks und Gluonen erfolgreich identifiziert und unterschieden, ohne jemals zu wissen, was beides war. Wenn Sie dann das System fragen, ob die Daten einen dritten Objekttyp enthalten, stellt Dr. Thaler fest, dass Quarks nicht nur eine Entität sind, sondern in verschiedenen Typen existieren – sogenannte Up-Quarks und Down-Quarks .

“Und so beginnt es zu lernen, wenn man ihm mehr Flexibilität beim Erkunden gibt”, sagte er. “Es kennt die Quantenfeldtheorie noch nicht, aber es weiß nach Mustern zu suchen. Und dies ist ein Muster, das mich schockierte, dass die Maschine finden würde. “Die Arbeit, fügte er hinzu, würde Collider-Physikern helfen, ihre Ergebnisse zu entwirren.”

An einem Punkt während eines Zoom-Gesprächs zeigte Dr. Thaler einen so genannten „doofen Cartoon“ des neuronalen Netzes, das für das Quark-Gluon-Projekt verwendet worden war. Es sah aus wie ein Stapel mehrfarbiger Gummibänder, stellte jedoch mehrere Verarbeitungsebenen dar, an denen etwa 30.000 Knoten oder „Neuronen“ beteiligt waren, in denen Informationen gesammelt und weitergegeben wurden.

“Dies ist die Art von kleinem Netzwerk, das Sie auf Ihrem Laptop trainieren können, wenn Sie lange genug warten”, sagte er.

Es würde auf einen kleinen Chip passen und ist schnell genug, um in Kollidern verwendet zu werden, um zu entscheiden, welche Kollisionen für das Studium aufbewahrt und welche verworfen werden sollen. Da die Kollisionen 40 Millionen Mal pro Sekunde auftreten, bleibt nicht viel Zeit, um sich zu entscheiden.

Ein weiteres Merkmal dieses neuen Feldes, so Dr. Thaler, sei, dass es Forschern aus ganz unterschiedlichen Bereichen eine gemeinsame Sprache biete. Es stellte sich heraus, dass die Mathematik zur Lösung des Collider-Problems auch auf die Optimierung der Versandpläne für ein Outfit wie Amazon anwendbar war.

“Die überraschendsten Entdeckungen sind aus der Erkenntnis entstanden, dass jemand anderes genau das Tool oder das Widget hatte, das mir tatsächlich helfen kann, meine Probleme in einem neuen Licht zu verstehen”, sagte Dr. Thaler. „Und von dort aus, um Dinge zu tun, die noch nie zuvor getan wurden. ”

Der Beginn von etwas Quanten

“Einer der Gründe, warum A. I. so erfolgreich Spiele gelöst hat”, sagte Dr. Thaler, “ist, dass Spiele eine sehr genau definierte Vorstellung von Erfolg haben.” Er fügte hinzu: Wenn wir definieren könnten, was Erfolg für physikalische Gesetze bedeutet, wäre das ein unglaublicher Durchbruch. ”

“In fünf bis zehn Jahren werde ich genau das tun wollen, worauf Sie hinaus wollen: Hier sind die Daten, hier ist ein sehr grobes Toolkit; Finde die Gleichung, die ich auf ein T-Shirt setzen könnte, die Gleichung, die das Standardmodell der Teilchenphysik ersetzt. Welche Gleichung ersetzt Einsteins allgemeine Relativitätstheorie? ”

Einige Physiker glauben, dass der nächste große Sprung mit dem Aufkommen von A. I. auf Quantencomputern kommen wird. Im Gegensatz zu klassischen Computern, die Bits manipulieren, die 1 oder 0 sein können, können die sogenannten Qubits in Quantencomputern beide gleichzeitig sein. Laut der Quantenphysik verhalten sich Elementarteilchen auf den kleinsten Skalen der Natur so und ermöglichen es Quantencomputern, große Informationsmengen gleichzeitig zu verarbeiten.

Solche Maschinen stecken noch in den Kinderschuhen, aber sie sind vielversprechend, sagte Seth Lloyd, Maschinenbauingenieur und Quantencomputer-Experte bei M. I. T., der dort nicht Teil des neuen Instituts für künstliche Intelligenz ist.

“Die grundlegende Erkenntnis ist, dass Quantensysteme Muster erzeugen können, die für klassische Systeme schwer zu erzeugen sind”, sagte Dr. Lloyd. „Vielleicht können Quantensysteme auch Muster erkennen, die klassische Systeme erkennen. ”

Oder wie Joe Lykken, stellvertretender Forschungsdirektor am Fermi National Accelerator Laboratory in Batavia, Illinois, sagte: „Um Richard Feynman zu paraphrasieren: Wenn Sie A. I. verwenden möchten, um Dinge über unsere Quantenwelt zu entdecken, sollten Sie Quanten A. I. verwenden.“

Maria Spiropulu, Physikerin am California Institute of Technology, verwies auf die wachsende Literatur „über Quanten A. I. und quanteninspirierte Algorithmen, die Probleme lösen, die wir bisher als unlösbar angesehen haben. “Sie fügte hinzu:” Es ist wie Platons Allegorie der Höhle und die Theorie der Formen, die erwachsen werden! “

“Es wird nur ein Algorithmus ausgeführt.”

Wie weit dies gehen könnte, hängt davon ab, wen Sie fragen. Könnte eine Maschine die abstrusen und unintuitiven Prinzipien der Quantentheorie oder Einsteins Bollwerkprinzipien der Relativitätstheorie produzieren? Könnte es eine Theorie hervorbringen, die wir Menschen nicht verstehen können? Könnten wir in der Matrix oder einer von SkyNet betriebenen Welt wie in der „Terminator“ -Serie landen?

Ich fragte eine zufällige Stichprobe theoretischer Physiker, ob sie bereit seien, ersetzt zu werden.

“Die Art und Weise, wie Sie fragen, trägt zur Verwirrung bei”, sagte Jaron Lanier, ein Computeringenieur, der jetzt mit Microsoft zusammenarbeitet. Das Gebiet der Informatik sei voller romantischer Übertreibungen über die Macht und Bedrohung superintelligenter Maschinen.

“Können wir eine Frage so formulieren, dass wir die Berechnung durchführen können?” er hat gefragt. „Entferne die Romantik. Es ist keine Kreatur wie eine Katze, es ist nur ein laufender Algorithmus. ”

Steven Weinberg, Nobelpreisträger und Professor an der University of Texas in Austin, nannte es „einen beunruhigenden Gedanken“, dass Menschen möglicherweise nicht klug genug sind, um die endgültige Theorie von Allem zu verstehen. “Aber ich vermute in diesem Fall”, schrieb er in einer E-Mail, “wir werden auch nicht klug genug sein, um einen Computer zu entwerfen, der eine endgültige Theorie finden kann.” ”

Lisa Randall, Physikerin in Harvard, schrieb: „Ich kann mir gut vorstellen, dass Computer Gleichungen oder Beziehungen finden, die wir nicht interpretieren können. Das unterscheidet sich aber nicht wirklich von den vielen Messungen, die wir noch nicht erklären können. ”

Nima Arkani-Hamed, Theoretikerin am Institute for Advanced Study in Princeton, New Jersey, stellte die Idee in Frage, dass der Computer etwas entdecken würde, das für den Menschen zu tief ist, um es zu verstehen: „Dies spiegelt nicht das wider, was wir im Charakter der Gesetze sehen der Natur, die wir im Laufe der Jahrhunderte gesehen haben, basieren auf weniger, tieferen, einfacheren, wenn auch abstrakteren, mathematischen Ideen. ”

Wenn Isaac Newton zum Beispiel von den Toten zurückkommen würde, sagte Dr. Arkani-Hamed, hätte er keine Probleme, sich mit der zeitgenössischen Physik vertraut zu machen: „In der Tat schaffen es Dutzende von Nicht-Newton, dies im Verlauf einer Vier zu tun -Jahr Grundausbildung. ”

Michael Turner, Kosmologe bei der Kavli Foundation in Los Angeles, sagte, es sei letztendlich egal, woher unsere Ideen stammten, solange sie kampferprobt wurden, bevor wir uns auf sie verlassen konnten.

„Woher bekommen wir diese Theorien oder Paradigmen? Es kann von tiefen Prinzipien stammen – Symmetrie, Schönheit, Einfachheit – philosophischen Prinzipien, Religion oder dem lokalen Betrunkenen “, sagte er. „Wenn Maschinen intelligenter werden, können wir sie der Quellenliste hinzufügen. ”

Edward Witten, ebenfalls vom Institute for Advanced Study in Princeton, bemerkte, dass es zwar noch keine Theorie-von-allem-Maschine gab, dies aber im nächsten Jahrhundert der Fall sein könnte. „Wenn es eine Maschine gäbe, die an Physik interessiert und neugierig zu sein scheint, wäre ich sicherlich daran interessiert, mit ihr zu sprechen. ”

Zweifellos würde es daran interessiert sein, mit ihm zu sprechen.

[ Wie die Science Times-Seite auf Facebook. | Melden Sie sich für die Newsletter der Science Times.]

İlgili Makaleler

Bir cevap yazın

Başa dön tuşu