[论文解读] From Kepler to Newton: Explainable AI for Science
本文提出了一种由可解释人工智能（XAI）驱动的科学发现范式，通过符号回归和黑箱模型自动化假设生成与解释。它展示了如何从第谷·布拉赫的观测数据中重新发现开普勒定律与牛顿万有引力定律，表明XAI能够在保留发现背后‘为何如此’的科学洞察的同时，实现可解释、由人类引导的科学发现。
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.
研究动机与目标
- 解决在数据密集型研究中，从大规模科学数据集中手动推导假设的挑战。
- 将可解释人工智能整合进科学发现循环（观测-假设-预测-实验）中，以自动化并解释假设生成过程。
- 证明XAI能够从有限的观测数据中重新发现行星运动与万有引力的基本定律，模拟历史上的科学突破。
- 强调人类直觉与概念创新在解释AI生成规则、避免过度泛化方面的不可替代作用。
- 为将XAI应用于现代科学问题（如暗物质与粒子物理）奠定基础，利用大规模实验数据。
提出的方法
- 使用黑箱深度神经网络进行数据预测与数据增强，以处理噪声大或稀疏的观测数据。
- 应用符号回归（一种白箱、可解释的模型）从数据模式中提取显式、人类可读的方程。
- 将符号回归与领域知识相结合，引导搜索物理上有意义的关系（例如：力、角速度、轨道半径）。
- 利用发现的符号规则，从仅含火星数据中推导并验证开普勒定律与牛顿万有引力定律。
- 通过人机协同解释，避免过度泛化，并确保概念一致性（例如：区分仅适用于火星的规则与普适定律）。
- 通过将推导出的常数（例如，$ c = 7.56086 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $）与开普勒及现代物理中的已知值进行比较，验证结果。
实验结果
研究问题
- RQ1可解释人工智能能否仅使用符号回归，从单一行星的观测数据中重新发现开普勒行星运动定律？
- RQ2XAI生成的符号方程在极少人工干预下能否被解释为物理定律（例如牛顿万有引力定律）？
- RQ3符号回归与黑箱模型如何协同使用，以在科学发现中平衡预测准确率与可解释性？
- RQ4人类专家在验证、解释及防止AI发现规则过度泛化方面发挥何种作用？
- RQ5该XAI框架能否扩展至现代科学问题（如暗物质或粒子物理），利用大规模实验数据？
主要发现
- 符号回归模型成功从火星轨道数据中推导出关系式 $ r^3 \omega^2 = c $，其中 $ c = 7.56086 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $，与开普勒公布的数值相差仅0.82%。
- 通过 $ \bar{\omega} = \frac{2\pi}{T} $ 变换后，所得关系式转化为 $ \frac{\bar{r}^3}{T^2} = 7.56086 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $，与现代值 $ 7.495 \times 10^{-6} \, \text{AU}^3\text{day}^{-2} $ 非常接近（误差：0.88%）。
- 该模型发现了火星轨道半径与角速度之间的一致关系，暗示通往开普勒第三定律的路径，尽管尚未具备普适性。
- 研究表明，AI能够生成类似科学定律的假设，但仅在人类引导下才能赋予其物理意义并避免误泛化。
- 人类直觉在将微观尺度模式（如 $ r^3 \omega^2 = c $）与宏观尺度定律（如 $ \frac{\bar{r}^3}{T^2} = c' $）关联方面仍至关重要，这是当前AI尚未掌握的能力。
- 该框架在应对复杂问题（如暗物质与粒子物理）方面展现出前景，AI可辅助从高通量实验数据中发现未知关系。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。