AI 科学家帮助发现新的物理学定律

中国航空报讯：如果科学的语言受到我们所体验到的物理世界的限制，脱离实体的人工智能对于它无法直接体验的世界可能有着更奇特的表征。今天，机器学习方法重新发现了许多已知的基本物理规律，包括对称性、守恒律、经典力学定律等。在未来，如果人工智能发现了违背人类直觉的新科学概念，我们会尝试理解并验证吗？最近发表于Nature Reviews Physics的一篇文章梳理了近期人工智能对物理规律的“新洞察”和“重新发现”。

在特德·姜（Ted Chiang）的中篇小说《你一生的故事》中，人类发现，我们在物理上的一些基本概念对外星物种来说毫无意义，这使得交流我们的科学理论变得困难。这个故事完全背离了大多数科幻小说中想当然的看法：科学是我们最有可能用来与其他智能物种交流的语言。特德·姜对这种观点提出了挑战，他认为我们体验物理世界的方式影响了我们交流和发展语言的方式，包括科学的语言。有人可能认为，现在要验证这一假设还为时尚早，但如果外星人就出现在眼前呢？

是的，它们已经在这里了，Google Brain的人工智能研究科学家Been Kim在第十届学习表征国际会议上的演讲中如此说道。她指的不是与外星物种的第一次接触，而是我们人类创造的人工智能：AlphaGo。

2016年，DeepMind的围棋程序AlphaGo在5局比赛中4局击败了顶级职业棋手李世石。AlphaGo的胜利总体上是人工智能的一个里程碑，但是它在第二局中的3步尤其让围棋专家们大吃一惊，显示出对围棋深刻的直觉，并背离了人类棋手几个世纪以来提炼出来的智慧。如果AlphaGo能够解释它的这一步，那么我们或许就能对围棋游戏获得新的见解。不幸的是，与当今大多数尖端人工智能一样，AlphaGo类似于特德·姜故事中的外星人：我们几乎没有共同语言来建立沟通。

AI令人费解的洞察力

我们回到特德·姜的故事，外星人体验物理世界的方式塑造了它们简单的直觉概念，这对人类来说绝不简单。物理学家菲利普·安德森（Phillip Anderson）在1972年也曾考虑过这个概念：“对于一个假想的气态但智慧的木星公民，或者银河系中心某处氢原子云中的公民，普通晶体的性质很可能是比超流氦的性质更令人费解、更令人感兴趣的谜团。”

机器，作为脱离实体的智能，对它无法直接体验的世界可能有一个更奇怪的表征，将其转化为人类的理解将比解码外星生物的语言更具挑战性，甚至是毫无希望的——外星生物可能至少和我们有一些共同经验（如感知到重力或电磁辐射）。

研究人员已经开始讨论人工智能令人费解的洞察力的影响。哈佛大学理论物理学教授Matthew Schwartz说：“我认为，人工智能很可能很快（如果不是已经）就会以超越我们理解的方式理解事物。在这种情况下，我们可能不得不满足于这样的认识，机器能理解底层的物理原理，即使我们永远无法理解。”

Schwartz并不担忧人工智能发展出他可能永远无法理解的物理理解这一前景。他指出，并不需要了解经济学才能从良好的经济政策中获益。这种实用主义观点让人想起量子力学的“shut up and calculate”方法，只要能够做出有用的计算和准确的预测，人们就不太关心理论的解释。尽管如此，Schwartz希望我们能够开发一种“新语言和新工具来解释机器的输出”。有这种想法的不止他一个人。

人类与机器共享的概念

尽管面临明显的挑战，但研究人员正试图为人类和机器创造一种共同的语言。首先他们努力找到人类和机器的一些共同点。Kim正试图理解人类的表征如何与机器的表征保持一致——如果有的话。例如，出现在各种图像中的条纹图案对机器来说有意义吗？答案似乎是肯定的，至少在某些情况下，人类和机器对条纹的概念是一致的。

也许更令人惊讶的是，机器学习算法似乎遵循格式塔心理学的一些规律，格式塔心理学假设人们倾向于将物体视为一个整体，而不是作为部分或组成特征。例如，闭合法则（law of closure）指出，人会将具有缺失部分的几何图形视为整体，比如将缺失部分边的三角形视为完整的三角形。训练用来分类自然图像的神经网络似乎也有类似的倾向。

另一个格式塔原理是对称法则，它表明人类的思维会识别对称，将对称的物体视为整体的一部分。人工智能是否也会自然地发现对称性是一种相关特征，就像闭合法则那样？这是物理学家特别感兴趣的问题。

（重新）发现对称性Anderson写道：“说物理学是研究对称性，只是稍微夸大了一点。”考虑到对称性对我们理解物理的核心作用，在寻找可能与AI共享的概念时，对称性似乎是一个不错的选择。

在最近的一项研究中，麻省理工学院的理论物理学家Ziming Liu和Max Tegmark 开发了一种机器学习方法来自动发现隐藏的对称性。其想法是将不对称程度表示为一个量，通过神经网络参数化，可以最小化，也就是减少不对称。

然后，他们使用一种名为AI Feynman的物理启发工具，将神经网络学到的知识转化为人类可以理解的数学表达式。AI Feynman是基于符号回归（symbolic regression）方法，通过搜索数学表达式的空间来找到与数据拟合最好的表达式。在几个测试案例中，从一维谐振子到非旋转黑洞的史瓦西度规，他们重新发现了各种各样的对称性。

目前，该方法用于寻找已知的对称性，如平移不变性，但作者们希望将它扩展到搜索未知的对称性。不过，人工智能是否会像人类那样发现有意义的对称性（已知的或未知的），则是另一回事了。

（重新）发现守恒定律物理学家珍视的另一个概念是守恒律，它与对称性密切相关。诺特定理告诉我们，每种守恒律都对应一种对称性，比如，能量守恒定律对应着时间平移不变性，动量守恒定律对应着空间平移不变性——这种联系可以用哈密顿或拉格朗日力学的等效语言来表达。

2019年，在NeurIPS会议上发表的一篇论文介绍了一种神经网络，可以直接从数据中学习系统的哈密顿量。一年后，ICLR会议上的一篇文章报道了一类神经网络（拉格朗日神经网络），可以从数据中学习任意拉格朗日量。哈密顿神经网络和拉格朗日神经网络似乎都捕捉到了物理系统的动力学，并很好地揭示了守恒律，但后者适用于任意坐标系统。