هوش مصنوعی که قوانین ساده را از دل آشوب بیرون می‌کشد

به گزارش خبرگزاری ایمنا و به نقل از ساینس دیلی، در بسیاری از حوزه‌های علمی، از اقلیم و زیست‌شناسی گرفته تا مهندسی و فیزیک، دانشمندان با سامانه‌هایی روبه‌رو هستند که رفتار آن‌ها به‌شدت پیچیده و پیش‌بینی‌ناپذیر به نظر می‌رسد، اکنون پژوهشگران دانشگاه «دوک» آمریکا یک چارچوب هوش مصنوعی جدید توسعه داده‌اند که می‌تواند از دل این آشوب ظاهری، قوانین ساده و شفاف استخراج کند، این فناوری نوین که نتایج آن ۱۷ دسامبر در نشریه علمی npj Complexity منتشر شده، بر مطالعه «سامانه‌های دینامیکی» تمرکز دارد؛ سامانه‌هایی که در طول زمان تغییر می‌کنند، ایده اصلی این است که اگرچه چنین سامانه‌هایی ممکن است شامل صدها یا حتی هزاران متغیر درهم‌تنیده باشند، اما رفتار کلی آن‌ها بیشتر توسط تعداد کمی قانون بنیادین هدایت می‌شود.

به گفته «بویوان چن»، استاد مهندسی مکانیک و مدیر آزمایشگاه رباتیک عمومی دانشگاه دوک، علم همواره به دنبال ساده‌سازی پدیده‌های پیچیده بوده است، «امروز داده‌های عظیمی در اختیار داریم، اما بیشتر ابزار لازم برای تبدیل این داده‌ها به قوانین ساده و قابل استفاده را نداریم. این هوش مصنوعی برای پر کردن همین شکاف طراحی شده است»، این سامانه هوشمند با تحلیل داده‌هایی که تغییرات یک سیستم را در طول زمان نشان می‌دهند، الگوهای کلیدی را شناسایی می‌کند و سپس آن‌ها را به مجموعه‌ای فشرده از معادلات ریاضی تبدیل می‌کند؛ معادلاتی که همچنان رفتار واقعی سیستم را با دقت بالا توصیف می‌کنند. نکته مهم این است که این معادلات نه‌تنها دقیق، بلکه «قابل تفسیر» هستند؛ یعنی دانشمندان می‌توانند آن‌ها را بفهمند، تحلیل کنند و به نظریه‌های موجود پیوند بزنند.

الهام نظری این روش به دهه ۱۹۳۰ بازمی‌گردد، زمانی که ریاضیدان «برنارد کوپمن» نشان داد سامانه‌های غیرخطی پیچیده را می‌توان به‌طور نظری با مدل‌های خطی توصیف کرد، مشکل این بود که چنین توصیفی به‌طورمعمول به تعداد بسیار زیادی معادله نیاز داشت؛ چیزی که برای پژوهشگران انسانی در عمل غیرقابل مدیریت بود. اینجاست که هوش مصنوعی وارد عمل می‌شود؛ چارچوب جدید دانشگاه دوک، با ترکیب یادگیری عمیق و محدودیت‌های الهام‌گرفته از فیزیک، می‌تواند هزاران متغیر را به مجموعه‌ای بسیار کوچک‌تر تقلیل دهد، در آزمایش‌ها این روش روی سامانه‌های متنوعی از جمله حرکت آونگ، مدارهای الکتریکی غیرخطی، مدل‌های اقلیمی و حتی شبکه‌های عصبی زیستی آزمایش شد، در بسیاری از موارد مدل نهایی بیش از ده برابر کوچک‌تر از مدل‌های یادگیری ماشین قبلی بود، بدون آن‌که دقت پیش‌بینی در بلندمدت کاهش پیدا کرد.

به گفته «سم مور»، نویسنده اصلی مقاله و دانشجوی دکتری، این هوش مصنوعی می‌تواند نقاط پایدار یا «جاذب‌ها» ی هر سیستم را نیز شناسایی کند؛ حالت‌هایی که سیستم به‌طور طبیعی به سمت آن‌ها میل می‌کند. شناسایی این نقاط برای تشخیص عملکرد عادی، انحراف تدریجی یا نزدیک شدن به ناپایداری، اهمیت حیاتی دارد، پژوهشگران تأکید می‌کنند که این ابزار جایگزین فیزیک یا نظریه‌های کلاسیک نیست، بلکه مکمل آن‌ها است، در شرایطی که معادلات فیزیکی ناشناخته، ناقص یا بیش از حد پیچیده هستند، این هوش مصنوعی می‌تواند به دانشمندان کمک کند تا با تکیه بر داده‌ها، همچنان استدلال علمی معناداری داشته باشند.

در چشم‌انداز آینده، تیم تحقیقاتی قصد دارد از این روش برای هدایت هوشمندانه آزمایش‌ها و انتخاب هدفمند داده‌ها استفاده کند، آن‌ها همچنین به دنبال به‌کارگیری این چارچوب در داده‌های پیچیده‌تری همچون ویدئو، صوت و سامانه‌های زیستی هستند، این مسیر گامی دیگر به‌سوی توسعه «دانشمندان ماشینی» است؛ سامانه‌هایی که نه‌تنها الگوها را تشخیص می‌دهند، بلکه به کشف قوانین بنیادین جهان کمک می‌کنند.