Un «physicien de l’IA» peut-il surpasser Einstein?

Le système d’intelligence artificielle du MIT est capable de dériver les lois de la physique dans les mondes mystères.

Source: geralt / pixabay

La physique est un domaine scientifique important – c’est une science fondamentale dont les principes ont une incidence sur les autres branches des sciences naturelles. Il explique la nature et les propriétés de la matière, de l’énergie, du mouvement et de la force. Les lois de la physique ont une pertinence réelle et sont appliquées aux produits et services utilisés dans la vie moderne et quotidienne. Voitures, avions, smartphones, casques, balançoires dans les terrains de jeux, les lois de la physique ont une incidence sur notre façon de vivre. Une équipe de recherche du Massachusetts Institute of Technology (MIT) a récemment créé un système d’intelligence artificielle (IA) qui déploie des méthodes heuristiques séculaires de physiciens afin de déduire les lois de la physique à partir de mondes complexes simulés. Un physicien en apprentissage automatique peut-il mieux comprendre les lois naturelles de notre monde qu’un physicien humain?

La physique appliquée a apporté des innovations en optique, énergie, électronique, lasers, lidar, informatique, imagerie par résonance magnétique, sonar, radar, semi-conducteurs, science des matériaux, propulsion électromagnétique et exploration spatiale. La physique interdisciplinaire comprend la neurophysique, la psychophysique, l’acoustique, la nanotechnologie, la biophysique, l’astrophysique et l’éconophysique. Les percées en physique offrent des opportunités commerciales réelles.

• Pouvez-vous vous sentir plus vivant au travail?
• Qu’est-ce qui ne va pas avec les sports pour les jeunes en Amérique?
• Accorder à stresser
• Santé mentale «Lite»
• La «juste conservation» favorise la valeur intrinsèque des animaux

L’équipe de recherche de Tailin Wu et Max Tegmark au MIT a incorporé quatre stratégies couramment utilisées par les physiciens: diviser pour mieux régner, le rasoir d’Occam, l’unification et l’apprentissage continu pour développer leur algorithme destiné au physicien de l’IA.

Les physiciens à travers les âges nous ont fourni des théories pour expliquer les phénomènes naturels et notre univers, tels que la mécanique quantique, la relativité générale, la loi de la gravitation universelle de Newton, le Big Bang, la théorie M, la théorie des supercordes, la théorie de la grande unification, la théorie BCS et la théorie de Bloch, pour en nommer quelques uns. Wu et Tegmark ont ​​utilisé une approche novatrice centrée sur l’apprentissage automatique et le traitement des théories, plutôt que la méthode standard consistant à appliquer un seul grand modèle à toutes les données.

Wu et Tegmark ont ​​déployé une stratégie de division et de conquête pour trouver des théories individuelles à partir d’observations complexes. L’algorithme apprend plusieurs théories décrivant une partie des données globales. Chaque théorie est encouragée algorithmiquement à se spécialiser dans son domaine respectif en récompensant des gradients plus grands pour des théories plus performantes.

• 7 points forts des âmes profondes
• L’art d’Innohacking
• Comment des partenaires peu probables se sont-ils mis au défi d’innover
• Créer une culture de l’innovation
• Comment repérer un mauvais leader en 2009 et 2019

Le rasoir d’Occam, également connu sous le nom de loi de parcimonie, est une approche de résolution de problèmes qui, lors de la formulation d’hypothèses multiples, est celle qui contient le moins d’hypothèses. En d’autres termes, plus l’explication est simple, mieux c’est. Le rasoir d’Occam a été incorporé en minimisant mathématiquement la longueur totale de la description dans l’algorithme. Plus précisément, cette méthode utilisait la théorie de l’inférence de Solomonoff liée à l’approche AIXI de Hutter pour l’intelligence générale artificielle.

En utilisant le concept stratégique d’unification, Wu et Tegmark ont ​​introduit des paramètres spécifiques dans le but d’unifier les théories acquises. Il s’agit d’identifier les similitudes fondamentales entre diverses théories et de les rassembler dans une théorie complète. Le but recherché est d’avoir une théorie maîtresse capable de générer un continuum de théories.

L’équipe a intégré le concept d’apprentissage tout au long de la vie dans l’architecture de manière à accumuler les connaissances et à préserver les expériences passées. Le modèle se souvient des solutions apprises et les teste sur les problèmes futurs.

L’agent d’apprentissage automatique non supervisé résultant, nommé «Physicien de l’IA», a été testé dans des environnements physiques de plus en plus complexes, dans des mondes simulés combinant de façon aléatoire le mouvement harmonique, les rebonds élastiques, la gravité et l’électromagnétisme.

L’équipe a créé 40 mondes «mystérieux» avec des lois de la physique naturelles qui varient d’un endroit à l’autre. Dans l’expérience, Wu et Tegmark disposaient d’un agent «de base» et d’un physicien «nouveau-né» qui n’avait pas été exposé à d’exemples antérieurs et n’avait donc aucun impact sur la stratégie d’apprentissage tout au long de la vie. Le nouveau-né et le physicien de l’IA ont montré des capacités de résolution de plus de 90% des 40 mondes mystères. L’équipe a découvert que, tout comme pour les scientifiques humains, une stratégie d’apprentissage tout au long de la vie aide le physicien spécialiste de l’IA à améliorer ses performances et à apprendre plus rapidement avec moins de données dans de nouveaux environnements.

Parmi tous les domaines scientifiques, la physique est sans doute l’un des meilleurs pour appliquer l’intelligence artificielle. L’univers est intrinsèquement complexe et l’exploitation des capacités de reconnaissance de modèles d’un apprentissage automatique non supervisé pourrait potentiellement révéler de nouvelles informations. Wu et Tegmark cherchent à «améliorer les techniques de simplification des réseaux de neurones appris complexes». Ils envisagent de réduire et de simplifier la future architecture de modèle d’IA Physicist afin d’améliorer à la fois la vitesse et la précision des futurs agents d’apprentissage automatique non supervisés.

Selon les chercheurs, AI Physicist “apprend généralement plus rapidement et produit des erreurs de prédiction quadratiques moyennes environ un milliard de fois plus petites qu’un réseau de neurones à feedforward standard d’une complexité comparable”.

Est-ce que AI Physicist peut éventuellement évoluer pour comprendre les lois naturelles de notre monde mieux qu’un physicien humain? Surveillez cet espace au fil du temps.

Copyright © 2018 Cami Rosso Tous droits réservés.

Références

Wu, Tailin, Tegmark, Max. “Vers un physicien de l’IA pour un apprentissage non supervisé.” ArXiv : 1810.10525. 6 novembre 2018. Récupéré le 12-19-2018 à l’adresse https://arxiv.org/pdf/1810.10525.pdf.