日常泡沫如何揭示人工智能的秘密逻辑

新研究如今对这一长期持有的观点提出了挑战。宾夕法尼亚大学的工程师们发现，尽管泡沫能保持其整体形状，但其内部却处于持续运动之中。更出乎意料的是，描述这种运动的数学原理与深度学习——用于训练现代人工智能系统的技术——极为相似。

这一发现表明，在广义的数学意义上，"学习"可能是物理、生物和计算系统中共有的组织原则。这项工作也可能指导未来创造能够适应和响应周围环境的材料。它甚至可能帮助科学家更好地理解那些必须持续自我重组的生命结构，例如细胞内部的支架。

永不静止的气泡

在发表于《美国国家科学院院刊》的一项研究中，研究人员利用计算机模拟来追踪湿泡沫内部气泡的运动。这些气泡并没有最终变得静止，而是不断在许多可能的排列方式中游移。

从数学角度看，这种行为与深度学习的工作方式极为相似。在训练过程中，人工智能系统会反复调整其参数——这些参数定义了人工智能的"知识"——而不是锁定于单一的最终状态。

"泡沫不断进行自我重组，"化学与生物分子工程教授、该论文的共同资深作者约翰·C·克罗克说，"令人惊讶的是，泡沫和现代人工智能系统似乎遵循相同的数学原理。理解其背后的原因仍然是一个悬而未决的问题，但这可能会重塑我们对适应性材料乃至生命系统的思考方式。"

为何泡沫违背了传统物理学

在人类尺度上，泡沫常常表现得像固体。它们通常能保持形状，并在被挤压后弹回。然而，在更小的尺度上，泡沫被认为是"两相"材料，由悬浮在液体或固体背景中的气泡组成。

由于泡沫易于制造和观察，同时仍表现出复杂的机械行为，科学家长期以来一直将其用作模型系统，以研究其他致密且动态的材料，包括活细胞。

传统理论将泡沫气泡视为在能量景观上滚动的岩石。根据这种观点，气泡会"下坡"移动到需要较少能量维持的位置，然后停留在那里。这一观点有助于解释为何泡沫一旦形成就显得稳定，就像一块停留在山谷底部的巨石。

理论与现实的不匹配

当研究人员检查真实的泡沫数据时，发现其行为与这些预测并不相符。据克罗克称，这种不匹配的迹象大约在二十年前就已出现，但当时没有合适的数学工具来完全解释正在发生的情况。

"当我们实际查看数据时，泡沫的行为与理论预测不符，"克罗克说，"我们大约在20年前就开始发现这些差异，但那时我们还没有数学工具来描述真正发生的事情。"

解决这个谜题需要一种新的方法，一种能够描述持续变化、永远不会固定于单一排列状态的系统的方法。

人工智能的启示

现代人工智能系统通过在训练期间持续调整数值参数来学习。早期的方法试图将这些系统推向与训练数据完美匹配的单一最优解。

深度学习依赖于与一种称为"梯度下降"的数学技术相关的优化方法。这些方法反复引导系统朝向减少错误的配置，一步一步地，就像在山地景观中下坡移动一样。

随着时间的推移，研究人员意识到，将模型过度推向最深的可能解决方案会引发问题。与训练数据拟合得过于精确的系统会变得脆弱，并在新信息上表现不佳。

"关键的洞见在于认识到，你实际上并不想把系统推入最深的可能谷底，"化学与生物分子工程教授、该论文的共同资深作者罗伯特·里格曼说，"事实证明，将其保持在景观中较为平坦的区域——在那里许多解决方案的表现都同样好——正是使这些模型能够泛化的原因。"

泡沫与人工智能遵循相同的规则

当宾夕法尼亚大学的研究团队从这个角度重新审视他们的泡沫数据时，相似性变得显而易见。泡沫气泡不会沉降到深而稳定的位置。相反，它们继续在许多配置都同样可行的广阔区域内运动。

这种持续的运动与现代人工智能系统在学习过程中的运行方式极为相似。那些帮助解释深度学习为何有效的数学原理，也同样捕捉到了泡沫一直以来所做的事情。

对材料与生命系统的启示

这些发现在一个许多人认为已被充分理解的领域提出了新问题。这本身可能就是这项研究最重要的贡献之一。

通过展示泡沫气泡并非冻结在类似玻璃的状态中，而是以类似于学习算法的方式运动，这项研究促使科学家们重新思考其他复杂系统的行为方式。

克罗克的团队现在正在重新审视最初激发他对泡沫兴趣的系统：细胞骨架，即细胞内部支撑生命的微观框架。与泡沫一样，细胞骨架必须在保持整体结构的同时持续进行自我重组。

"为什么深度学习的数学原理能准确描述泡沫的特征，这是一个引人入胜的问题，"克罗克说，"这暗示着这些工具可能在其原始背景之外也大有用处，为全新的研究线索打开了大门。"

这项研究在宾夕法尼亚大学工程与应用科学学院进行，并得到了美国国家科学基金会材料研究部（1609525, 1720530）的支持。

其他共同作者包括阿姆鲁特什·西鲁马拉伊斯瓦米和克拉里·罗德里格斯-克鲁兹。