[論文レビュー] From Kepler to Newton: Explainable AI for Science

Zelong Li, Jianchao Ji+1 more|arXiv (Cornell University)|Nov 24, 2021

Explainable Artificial Intelligence (XAI)参考文献 38被引用数 8

ひとこと要約

この論文は、シンボリック回帰とブラックボックスモデルを用いて仮説の自動生成と解釈を可能にする、説明可能なAI（XAI）駆動の科学的発見の枠組みを提案する。ティコ・ブラーエの観測データからケプラーの法則およびニュートンの万有引力の法則が再発見されたことを示し、XAIが解釈可能で人間がガイドする科学的知見を可能にするとともに、発見の背後にある「なぜ」を保ち続けることを実証した。

ABSTRACT

The Observation--Hypothesis--Prediction--Experimentation loop paradigm for scientific research has been practiced by researchers for years towards scientific discoveries. However, with data explosion in both mega-scale and milli-scale scientific research, it has been sometimes very difficult to manually analyze the data and propose new hypotheses to drive the cycle for scientific discovery. In this paper, we discuss the role of Explainable AI in scientific discovery process by demonstrating an Explainable AI-based paradigm for science discovery. The key is to use Explainable AI to help derive data or model interpretations, hypotheses, as well as scientific discoveries or insights. We show how computational and data-intensive methodology -- together with experimental and theoretical methodology -- can be seamlessly integrated for scientific research. To demonstrate the AI-based science discovery process, and to pay our respect to some of the greatest minds in human history, we show how Kepler's laws of planetary motion and Newton's law of universal gravitation can be rediscovered by (Explainable) AI based on Tycho Brahe's astronomical observation data, whose works were leading the scientific revolution in the 16-17th century. This work also highlights the important role of Explainable AI (as compared to Blackbox AI) in science discovery to help humans prevent or better prepare for the possible technological singularity that may happen in the future, since science is not only about the know how, but also the know why. Presentation of the work is available at https://slideslive.com/38986142/from-kepler-to-newton-explainable-ai-for-science-discovery.

研究の動機と目的

• 大量の科学的データセットから仮説を手作業で導出する課題に対処すること。
• 説明可能なAI（XAI）を科学的発見のサイクル（観察－仮説－予測－実験）に統合し、仮説生成の自動化と解釈を可能にすること。
• XAIが限られた観測データから惑星運動および重力の基礎的法則を再発見できることを実証すること。これは、歴史的な科学的発見を模倣するものである。
• 人間の直感と概念的革新が、AIが生成したルールの解釈において不可欠であり、一般化の過剰を回避する役割を果たすことを強調すること。
• 今後の応用として、大規模な実験データを用いたダークマター や素粒子物理学などの現代の科学的問題にXAIを適用する基盤を築くこと。

提案手法

• ノイズやスパarsity がある観測データに対処するために、ブラックボックスの深層ニューラルネットワークを用いて予測とデータ拡張を行う。
• シンボリック回帰（白色ボックスで解釈可能なモデル）を適用し、データのパターンから明示的で人間が読める方程式を抽出する。
• 分野の知識を統合して、物理的に意味のある関係（例：力、角速度、軌道半径）の探索をガイドする。
• 得られたシンボリックルールを用いて、火星のデータのみからケプラーの法則およびニュートンの万有引力の法則を導出し、検証する。
• 人間がループに参加する解釈を適用し、一般化の過剰を回避するとともに、概念的整合性を保証する（例：火星専用のルールと普遍的法則の区別）。
• ケプラーと現代物理学からの既知の値と比較することで、導出された定数（例：$ c = 7.56086 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $）を検証する。

実験結果

リサーチクエスチョン

• RQ1 シンボリック回帰を用いて、1つの惑星の観測データから説明可能なAIがケプラーの惑星運動の法則を再発見できるか？
• RQ2 XAIによって得られたシンボリック方程式は、最小限の人間の介入で物理法則（例：ニュートンの万有引力の法則）として解釈可能か？
• RQ3 予測精度と解釈可能性の両立を図るために、シンボリック回帰とブラックボックスモデルをどのように共同で使用できるか？
• RQ4 人間の専門家は、AIが発見したルールの検証、解釈、一般化の過剰を防ぐために果たす役割は何か？
• RQ5 このXAIベースのフレームワークは、大規模な実験データを用いた現代の科学的問題（例：ダークマター や素粒子物理学）に拡張可能か？

主な発見

• シンボリック回帰モデルは、火星の軌道データから $ r^3 \omega^2 = c $ のルールを成功裏に導出し、$ c = 7.56086 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $ となった。これはケプラーが発表した値と0.82%以内の一致を示した。
• $ \bar{\omega} = \frac{2\pi}{T} $ を用いて変換すると、導出されたルールは $ \frac{\bar{r}^3}{T^2} = 7.56086 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $ となり、現代の値 $ 7.495 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $ とよく一致する（誤差：0.88%）。
• モデルは火星についての軌道半径と角速度の間で一貫した関係を発見した。これはケプラーの第三法則への道筋を示唆しているが、まだ普遍的ではない。
• 研究は、AIが科学的法則に類似した仮説を生成できることを実証したが、物理的意味の割り当てや誤った一般化の回避には人間のガイドが必要であることを示した。
• 人間の直感は、微小スケールのパターン（例：$ r^3 \omega^2 = c $）を巨視的法則（例：$ \frac{\bar{r}^3}{T^2} = c' $）に結びつける能力を備えており、現時点のAIではまだ達成されていない。
• このフレームワークは、AIが高スループットの実験データから未知の関係を発見する支援を行うことにより、ダークマターや素粒子物理学のような複雑な問題への将来的な応用に有望である。