Zhvillimi i një teorie të re zakonisht lidhet me të mëdhenjtë e fizikës. Mund t'ju vijë ndër mend Isak Njutoni ose AlbertAjnshtajni, për shembull.

Shumë çmime Nobel janë dhënë tashmë për teori të reja. Studiuesit në Forschungszentrum Jülichtani kanë programuar një inteligjencë artificiale që gjithashtu e ka përvetësuar këtë arritje.

IA-ja e tyre mund të njohë modele në grupe komplekse të tëdhënave dhe t'i formulojë ato në një teori fizike. Zhvillimi i një teorie të re zakonisht lidhet me të mëdhenjtë e fizikës. Ju mund të mendoni për Isak Njutonin ose Albert Ajnshtajnin, për shembull. Shumë çmime Nobel janë dhënë tashmë për teori të reja. Studiuesit në Forschungszentrum Jülich tani kanë programuar një inteligjencë artificiale që gjithashtu e ka përvetësuar këtë arritje. IA-ja e tyre mund të njohë modele në grupe komplekse të të dhënave dhe t'i formulojë ato në një teori fizike.

Në intervistën e mëposhtme, prof. Moritz Helias nga Instituti për Simulimin e Avancuar të Forschungszentrum Jülich (IAS-6) shpjegon se për çfarë flet "Fizika e IA-së" dhe në çfarë mase ajo ndryshon nga qasjet konvencionale.

Si dalin fizikanët me një teori të re?

Zakonisht e nis me vëzhgimet e sistemit para se të përpiqesh të propozosh se si komponentët e ndryshëm të sistemit ndërveprojnë me njëri-tjetrin për të shpjeguar sjelljen e vëzhguar.

Nga kjo rrjedhin më pas parashikime të reja dhe vihen në provë. Një shembull i njohur është ligji i gravitetit i IsakNjutonit. Ai jo vetëm që përshkruan forcën gravitacionale në Tokë, por mund të përdoret gjithashtu për të parashikuar lëvizjet e planetëve, hënave dhe kometave - si dhe orbitat e satelitëve modernë - me mjaft saktësi.

Megjithatë, mënyra se si arrihen hipoteza të tilla gjithmonë ndryshon.

Mund të fillosh me parimet e përgjithshme dhe ekuacionet bazë të fizikës dhe të nxjerrësh hipotezën prej tyre, ose mund të zgjedhësh një qasje fenomenologjike, duke u kufizuar në përshkrimin e vëzhgimeve sa më saktë që të jetë e mundur pa shpjeguar shkaqet e tyre. Vështirësia qëndron në zgjedhjen e një qasjeje të mirë nga qasjet e shumta të mundshme, përshtatjen e saj nëse është e nevojshme dhe thjeshtimin e saj.

Çfarë qasjeje po merrni me IA-ja?

Në përgjithësi, përfshin një qasje të njohur si "fizikë për mësimin e makinerive". Në grupin tonë të punës, ne përdorim metoda të fizikës për të analizuar dhe kuptuar funksionin kompleks të një IA-je.

Ideja e re vendimtare e zhvilluar nga Claudia Merger nga grupi ynë kërkimor ishte që fillimisht të përdorej një rrjet nervor që mëson të hartojë me saktësi sjelljen komplekse të vëzhguar në një sistem më të thjeshtë.

Me fjalë të tjera, IA synon të thjeshtojë të gjitha ndërveprimet komplekse që vëzhgojmë midis komponentëve të sistemit. Më pas përdorim sistemin e thjeshtuar dhe krijojmë një hartë të anasjelltë me IA të trajnuar. Duke u kthyer nga sistemi i thjeshtuar në atë kompleks, ne zhvillojmë më pas teorinë e re. Në rrugën e kthimit, ndërveprimet komplekse ndërtohen pjesë-pjesë nga ato të thjeshtuara. Në fund të fundit, për këtë arsye, qasja nuk është aq e ndryshme nga ajo e një fizikani, me ndryshimin që mënyra në të cilën janë mbledhur ndërveprimet tani lexohet nga parametrat e IA-së. Kjo perspektivë mbi botën – duke e shpjeguar atë nga ndërveprimet ndërmjet pjesëve të saj të ndryshme që ndjekin ligje të caktuara – është baza e fizikës, prej nga vjen termi "fizikë e IA-së".

Në cilat aplikacione është përdorur IA-ja?

Ne përdorëm një grup të dhënash imazhesh bardhezi me numra të shkruar me dorë, për shembull, i cili përdoret shpesh në kërkime kur punohet me rrjetet nervore. Si pjesë e tezës së saj të doktoraturës, Claudia Merger hulumtoi se si nënstrukturat e vogla në imazhe, si skajet e numrave, përbëhen nga ndërveprimet midis pikselëve. Gjenden grupe pikselësh që priren të jenë më të shndritshëm së bashku dhe kështu kontribuojnë në formën e skajit të numrit.

Sa e lartë është përpjekja llogaritëse?

Përdorimi i IA-së është një truk që bën të mundur llogaritjet në radhë të parë. Ti arrin shumë shpejt një numër shumë të madh ndërveprimesh të mundshme. Pa përdorur këtë truk, mund të shikosh vetëm sisteme shumë të vogla. Megjithatë, përpjekja llogaritëse e përfshirë është ende e lartë, e cila është për shkak të faktit se ka shumë ndërveprime të mundshme edhe në sisteme me shumë komponentë. Sidoqoftë, ne mund t'i parametrizojmë në mënyrë efikase këto ndërveprime në mënyrë që tani të mund të shikojmë sistemet me rreth 1000 komponentë ndërveprues, d.m.th. zona imazhi me deri në 1000 pikselë. Në të ardhmen, sisteme shumë më të mëdha duhet të jenë gjithashtu të mundshme përmes optimizimit të mëtejshëm.

Si ndryshon kjo qasje nga IA-të e tjera si ChatGPT?

Shumë IA synojnë të mësojnë një teori të të dhënave të përdorura për të trajnuar IA-në. Sidoqoftë, teoritë që mësojnë IA-të zakonisht nuk mund të interpretohen. Në vend të kësaj, ato fshihen në mënyrë implicite në parametrat e IA-së së trajnuar. Nga ana tjetër, qasja jonë nxjerr teorinë e mësuar dhe e formulon atë në gjuhën e ndërveprimeve ndërmjet komponentëve të sistemit, e cila qëndron në themel të fizikës. Kështu, ajo i përket fushës së IA-së së shpjegueshme, veçanërisht "fizikës së IA-së", pasi ne përdorim gjuhën e fizikës për të shpjeguar atë që IA-jaka mësuar. Ne mund të përdorim gjuhën e ndërveprimeve për të ndërtuar një urë midis funksioneve komplekse të brendshme të IA-së dhe teorive që njerëzit mund t'i kuptojnë.