[论文解读] Physicist's Journeys Through the AI World - A Topical Review. There is no royal road to unsupervised learning

Imad Alhousseini, Wissam Chemissany+2 more|arXiv (Cornell University)|May 2, 2019

Adaptive Dynamic Programming Control参考文献 7被引用 4

一句话总结

本文提出了'AI物理学家'——一种深度学习框架，能够从观测数据中自主发现物理定律，且无需先验知识。通过人工神经网络、强化学习以及基于奥卡姆剃刀原则的分而治之策略，该模型从原始数据中重构了诸如阻尼摆、量子比特动力学和日心运动等物理理论，展示了在无监督状态下从原始数据中发现底层原理的能力。

ABSTRACT

Artificial Intelligence (AI), defined in its most simple form, is a technological tool that makes machines intelligent. Since learning is at the core of intelligence, machine learning poses itself as a core sub-field of AI. Then there comes a subclass of machine learning, known as deep learning, to address the limitations of their predecessors. AI has generally acquired its prominence over the past few years due to its considerable progress in various fields. AI has vastly invaded the realm of research. This has led physicists to attentively direct their research towards implementing AI tools. Their central aim has been to gain better understanding and enrich their intuition. This review article is meant to supplement the previously presented efforts to bridge the gap between AI and physics, and take a serious step forward to filter out the "Babelian" clashes brought about from such gabs. This necessitates first to have fundamental knowledge about common AI tools. To this end, the review's primary focus shall be on deep learning models called artificial neural networks. They are deep learning models which train themselves through different learning processes. It discusses also the concept of Markov decision processes. Finally, shortcut to the main goal, the review thoroughly examines how these neural networks are capable to construct a physical theory describing some observations without applying any previous physical knowledge.

研究动机与目标

• 通过使机器能够从数据中发现物理定律，弥合物理学与人工智能之间的鸿沟。
• 通过开发一种在无既往知识前提下构建物理理论的系统，解决物理学中无监督学习的挑战。
• 证明深度神经网络能够通过自组织学习，自主推断出复杂物理原理。
• 探索将物理启发的归纳偏置（如对称性和规范不变性）整合到机器学习架构中，以提升泛化能力。
• 为量子增强型'AI物理学家'奠定基础，统一经典与量子机器学习，用于高能物理和凝聚态物理研究。

提出的方法

• 以人工神经网络（ANN）作为核心架构，从原始数据中进行特征学习与表征。
• 利用随机梯度下降（SGD）和Adam优化算法高效训练神经网络。
• 通过马尔可夫决策过程（MDPs）结合价值函数与贝尔曼方程，应用强化学习指导策略学习。
• 实施分而治之算法，将复杂问题分解为更简单、可解释的子理论。
• 在模型选择过程中应用奥卡姆剃刀原则，优先选择更简单、更具泛化能力的理论。
• 使用统一算法将相关理论合并为一个连贯且最小化的物理描述。

实验结果

研究问题

• RQ1 AI系统是否能够仅从观测数据中发现物理定律，而无需任何先验物理知识？
• RQ2 如何构建深度学习模型，使其能够模拟物理学家的科学推理过程？
• RQ3 归纳偏置（如对称性和简洁性）在实现物理定律的无监督发现中起到何种作用？
• RQ4 如何利用强化学习与动态规划训练AI构建物理理论？
• RQ5 该框架能否扩展至量子系统，或与量子机器学习相统一？

主要发现

• AI物理学家仅基于原始观测和时间序列数据，成功重构了阻尼摆的动力学。
• 该模型准确推断出从测量数据中获得的量子比特行为，展示了其从非经典系统中学习的能力。
• 在日心模型实验中，AI物理学家从行星运动数据中推导出万有引力的平方反比定律，通过无监督学习恢复了开普勒定律。
• 奥卡姆剃刀原则与分而治之策略的结合显著提升了模型的泛化能力并减少了过拟合。
• 该框架表明，神经网络能够自主从数据中发现对称性与守恒定律，为自动化科学发现提供了可能路径。
• 作者提出未来可将该框架扩展为'量子AI物理学家'，结合量子机器学习与张量网络，有望在高能物理与凝聚态物理领域实现新发现。