问答：专家解释“人工智能物理学”

一种新理论的发展通常与伟大的物理学联系在一起。例如，你可能会想到艾萨克·牛顿或阿尔伯特·爱因斯坦。许多诺贝尔奖已经被授予新理论

Forschungszentrum Jülich的研究人员现在已经编程了一种人工智能，该智能也掌握了这一壮举。他们的人工智能能够识别复杂数据集中的模式，并将其公式化为物理理论。研究结果发表在《物理评论X》杂志上。

在下面的采访中，来自Forschungszentrum Jülich高级模拟研究所（IAS-6）的Moritz Helias教授解释了“人工智能物理学”的全部内容以及它与传统方法的不同程度

物理学家是如何提出新理论的

在试图提出不同的系统组件如何相互作用以解释观察到的行为之前，通常先从系统的观察开始。然后从中得出新的预测并进行测试

一个著名的例子是艾萨克·牛顿引力定律。它不仅描述了地球上的引力，还可以用来相当准确地预测行星、卫星和彗星的运动，以及现代卫星的轨道

然而，得出这些假设的方式总是不同的。你可以从物理学的一般原理和基本方程开始，并从中得出假设，也可以选择现象学方法，限制自己尽可能准确地描述观测结果，而不解释其原因。困难在于从众多可能的方法中选择一种好的方法，必要时进行调整并简化。

你对人工智能采取了什么方法

一般来说，它涉及一种被称为“机器学习物理学”的方法。在我们的工作组中，我们使用物理学方法来分析和理解人工智能的复杂功能。换句话说，人工智能旨在简化我们在系统组件之间观察到的所有复杂交互。然后，我们使用简化的系统，并用训练过的人工智能创建逆映射。从简化的系统返回到复杂的系统，然后我们开发了新的理论

在返回的过程中，复杂的交互作用是从简化的交互作用一块一块构建起来的。因此，最终，这种方法与物理学家的方法没有太大区别，不同之处在于，相互作用的组装方式现在是从人工智能的参数中读取的。这种对世界的看法——从遵循某些规律的各个部分之间的相互作用来解释它——是物理学的基础，因此被称为“人工智能物理学”

人工智能用于哪些应用程序

例如，我们使用了一组带有手写数字的黑白图像数据集，这在研究神经网络时经常使用。作为博士论文的一部分，Claudia Merger研究了图像中的小子结构，如数字的边缘，是如何由像素之间的相互作用组成的。发现像素组往往一起更亮，从而有助于数字边缘的形状

计算工作量有多高

人工智能的使用首先使计算成为可能。你很快就会接触到大量可能的互动。如果不使用这个技巧，你只能看到非常小的系统。尽管如此，所涉及的计算工作量仍然很高，这是因为即使在具有许多组件的系统中，也存在许多可能的相互作用

然而，我们可以有效地将这些交互参数化，这样我们现在就可以查看具有大约1000个交互组件的系统，即具有高达1000个像素的图像区域。在未来，通过进一步的优化，更大的系统也应该成为可能

这种方法与其他人工智能（如ChatGPT）有何不同

许多人工智能旨在学习用于训练人工智能的数据理论。然而，人工智能学习的理论通常无法解释。相反，它们隐含地隐藏在经过训练的人工智能的参数中。相比之下，我们的方法提取学习到的理论，并将其表述为系统组件之间相互作用的语言，这是物理学的基础

因此，它属于可解释人工智能领域，特别是“人工智能的物理学”，因为我们使用物理学的语言来解释人工智能所学到的东西。我们可以使用交互语言在人工智能复杂的内部运作和人类能够理解的理论之间架起一座桥梁