一個讓物理學家狂喜的 AI 工具，在 GitHub 上開源了！

它名叫 Φ-SO，能直接從數(shù)據(jù)中找到隱藏的規(guī)律，而且一步到位，直接給出對應公式。

整個過程也不需要動用超算，一臺筆記本大概 4 個小時就能搞定愛因斯坦的質(zhì)能方程。

這項成果來自德國斯特拉斯堡大學與澳大利亞聯(lián)邦科學與工業(yè)研究組織 Data61 部門，據(jù)論文一作透露，研究用了 1.5 年時間，受到學術(shù)界廣泛關(guān)注。

代碼一經(jīng)開源，漲星也是飛快。

除了物理學者直呼 Amazing 之外，還有其他學科研究者趕來探討，能不能把同款方法遷移到他們的領(lǐng)域。

強化學習 + 物理條件約束

Φ-SO 背后的技術(shù)被叫做“深度符號回歸”，使用循環(huán)神經(jīng)網(wǎng)絡(luò)+ 強化學習實現(xiàn)。

首先將前一個符號和上下文信息輸入給 RNN，預測出后一個符號的概率分布，重復此步驟，可以生成出大量表達式。

同時將物理條件作為先驗知識納入學習過程中，避免 AI 搞出沒有實際含義的公式，可以大大減少搜索空間。

再引入強化學習，讓 AI 學會生成與原始數(shù)據(jù)擬合最好的公式。

與強化學習用來下棋、操控機器人等不同，在符號回歸任務(wù)上只需要關(guān)心如何找到最佳的那個公式，而不關(guān)心神經(jīng)網(wǎng)絡(luò)的平均表現(xiàn)。

于是強化學習的規(guī)則被設(shè)計成，只對找出前 5% 的候選公式做獎勵，找出另外 95% 也不做懲罰，鼓勵模型充分探索搜索空間。

研究團隊用阻尼諧振子解析表達式、愛因斯坦能量公式，牛頓的萬有引力公式等經(jīng)典公式來做實驗。

Φ-SO 都能 100% 的從數(shù)據(jù)中還原這些公式，并且以上方法缺一不可。

與其他方法入 MLP 相比，Φ-SO 在訓練范圍之外的表現(xiàn)也要更好。

研究團隊在最后表示，雖然算法本身還有一定改進空間，不過他們的首要任務(wù)已經(jīng)改成用新工具去發(fā)現(xiàn)未知的物理規(guī)律去了。

GitHub:

論文:

參考鏈接:

免責聲明：此文內(nèi)容為本網(wǎng)站轉(zhuǎn)載企業(yè)宣傳資訊，僅代表作者個人觀點，與本網(wǎng)無關(guān)。僅供讀者參考，并請自行核實相關(guān)內(nèi)容。