[논문 리뷰] Machine learning and serving of discrete field theories -- when artificial intelligence meets the discrete universe

Hong Qin|arXiv (Cornell University)|2019. 10. 22.

Model Reduction and Neural Networks참고 문헌 83인용 수 30

한 줄 요약

이 논문은 시공간 격자상의 관측 데이터에서 직접 이산 장 이론을 학습하는 기계학습 프레임워크를 제안한다. 이는 기본 물리 법칙을 사전에 알 필요 없이도 가능하게 한다. 방법은 신경망을 사용해 이산 라그랑지안 밀도를 훈련시키고, 이를 통해 뉴턴의 법칙을 알지 못한 채 타원, 포물선, 쌍곡선 궤도와 같은 새로운 물리적 행동을 예측한다. 이는 뛰어난 일반화 능력과 구조를 유지하는 정확성을 보여준다.

ABSTRACT

A method for machine learning and serving of discrete field theories in physics is developed. The learning algorithm trains a discrete field theory from a set of observational data on a spacetime lattice, and the serving algorithm uses the learned discrete field theory to predict new observations of the field for new boundary and initial conditions. The approach to learn discrete field theories overcomes the difficulties associated with learning continuous theories by artificial intelligence. The serving algorithm of discrete field theories belongs to the family of structure-preserving geometric algorithms, which have been proven to be superior to the conventional algorithms based on discretization of differential equations. The effectiveness of the method and algorithms developed is demonstrated using the examples of nonlinear oscillations and the Kepler problem. In particular, the learning algorithm learns a discrete field theory from a set of data of planetary orbits similar to what Kepler inherited from Tycho Brahe in 1601, and the serving algorithm correctly predicts other planetary orbits, including parabolic and hyperbolic escaping orbits, of the solar system without learning or knowing Newton's laws of motion and universal gravitation. The proposed algorithms are also applicable when effects of special relativity and general relativity are important. The illustrated advantages of discrete field theories relative to continuous theories in terms of machine learning compatibility are consistent with Bostrom's simulation hypothesis.

연구 동기 및 목표

• 관측 데이터에서 물리 법칙을 사전에 알지 못한 채 이산 장 이론을 발견하는 기계학습 방법을 개발하는 것.
• 미분 방정식을 통한 연속 장 이론 학습의 과제를 극복하기 위해 이산 장 이론으로 전환하는 것.
• 장기적인 정확성을 위해 기하학적 구조(예: 심플렉틱성, 에너지 보존)를 유지하는 서빙 알고리즘을 만드는 것.
• 관측 데이터만을 사용해 복잡한 물리적 행동—예를 들어 탈출 궤도—를 예측할 수 있는 능력을 입증하는 것.
• 이산 장 이론이 시뮬레이션 가설과 어떻게 조화를 이룰 수 있는지 탐색하며, 자연이 이산적이고 계산 가능한 법칙에 의해 작동할 수 있음을 시사하는 것.

제안 방법

• 장 이론을 $ n+1 $ 개의 인접한 시공간 점에서의 장 값에 의존하는 이산 라그랑지안 밀도 $ L_d $ 로 기술한다.
• 관측 데이터에서 신경망을 사용해 이산 라그랑지안을 훈련시키며, 이차 도함수를 계산할 필요 없이 학습을 단순화한다.
• 학습된 이론을 서빙하기 위해 기하학적 구조를 유지하는 알고리즘을 적용하여 장기적인 정밀도와 보존 법칙을 보장한다.
• 이산 작용에 변분 원리를 적용해 심플렉틱성과 운동량 구조를 유지하는 진동 규칙을 유도한다.
• 수성에서 목성까지의 행성 궤도 데이터를 활용해 중력 역학의 이산 장 이론을 추론하는 데 학습 알고리즘을 적용한다.
• 학습 데이터에 포함되지 않은 경계 조건—예를 들어 포물선 및 쌍곡선 궤도—에 대해 예측을 검증하며, 뉴턴 역학을 사전에 알지 못한 상태에서 성능을 입증한다.

실험 결과

연구 질문

• RQ1 기계학습 알고리즘이 물리 법칙을 사전에 알지 못한 채 관측 데이터만으로 이산 장 이론을 발견할 수 있는가?
• RQ2 데이터 효율성과 일반화 능력 측면에서 이산 장 이론 학습은 연속 미분 방정식 학습보다 어떻게 다를 수 있는가?
• RQ3 학습된 이산 장 이론이 훈련 데이터를 초월해 비정상적인 물리적 행동—예를 들어 탈출 궤도—를 예측할 수 있는가?
• RQ4 기하학적 구조를 유지하는 알고리즘이 학습된 장 이론의 예측 정확도를 얼마나 향상시키는가?
• RQ5 이산 장 이론 학습의 성공은, 우주가 이산적이고 계산 가능한 시스템으로 작동한다는 시뮬레이션 가설을 지지하는가?

주요 결과

• 학습 알고리즘이 티코 브라헤의 천체 관측 데이터에 유사한 행성 궤도 관측 데이터에서 이산 장 이론을 성공적으로 재구성했다.
• 서빙 알고리즘이 뉴턴의 법칙을 전혀 알지 못한 채 포물선 및 쌍곡선 궤도를 정확하게 예측했다. 이는 훈련 데이터에 포함되지 않은 행동이었다.
• 서빙 단계에서 기하학적 구조를 유지하는 알고리즘을 사용함으로써 장기적인 안정성과 에너지 보존이 달성되었다.
• 이산 라그랑지안 접근법을 통해 이차 도함수 계산이 필요 없어져 학습이 간소화되고 강건성이 향상되었다.
• 결과는 이산 장 이론이 연속 장 이론보다 기계학습에 더 적합할 수 있음을 시사하며, 보스트롬의 시뮬레이션 가설과도 부합한다.
• 이론은 상대성 이론 문제에 적용 가능함을 통해 상대론적 시스템으로의 확장이 가능하다는 점이 입증되었다.