¿Quién necesita a Copernicus si tiene aprendizaje automático?

Las leyes de la física, uno de los mayores descubrimientos de la humanidad, han surgido a lo largo de muchos siglos en un proceso a menudo influido por los pensadores destacados de la época. Este proceso ha tenido una profunda influencia en la evolución de la ciencia y da la impresión de que algunas leyes no podrían haberse descubierto sin el conocimiento de épocas anteriores.

La mecánica cuántica, por ejemplo, se basa en la mecánica clásica utilizando varias ideas matemáticas que eran prominentes en ese momento.

Pero tal vez haya otra forma de descubrir las leyes de la física que no dependa de la comprensión que ya hemos adquirido sobre el universo.

Hoy, Raban Iten, Tony Metger y sus colegas de ETH Zurich en Suiza dicen que han desarrollado un método de este tipo y lo han utilizado para descubrir las leyes de la física de una manera completamente nueva. Y dicen que puede ser posible usar este método para encontrar formulaciones completamente nuevas de leyes físicas.

Primero, algunos antecedentes. Las leyes de la física son representaciones simples que se pueden interrogar para proporcionar información sobre escenarios más complejos. Imagina poner un péndulo en movimiento y preguntar dónde estará la base del péndulo en algún momento en el futuro. Una forma de responder esto es midiendo la posición del péndulo mientras se balancea. Estos datos se pueden usar como una especie de tabla de búsqueda para encontrar la respuesta. Pero las leyes del movimiento brindan una manera mucho más fácil de descubrir la respuesta: simplemente ingrese los valores de las diversas variables en la ecuación apropiada. Eso da la respuesta correcta también. Es por eso que la ecuación puede considerarse como una representación comprimida de la realidad.

Esto sugiere de inmediato cómo las redes neuronales podrían encontrar estas leyes. Dadas algunas observaciones de un experimento, por ejemplo, un péndulo oscilante, el objetivo es encontrar una representación más simple de estos datos.

La idea de Iten, Metger y compañía es introducir estos datos en la máquina para que aprenda a hacer una predicción precisa de la posición. Una vez que la máquina ha aprendido esto, puede predecir la posición a partir de cualquier conjunto inicial de condiciones. En otras palabras, ha aprendido la ley relevante de la física.

Para averiguar si esto funciona, los investigadores introducen datos de un experimento de péndulo oscilante en una red neuronal que llaman SciNet. Continúan repitiendo esto para experimentos que incluyen la colisión de dos bolas, los resultados de una medición cuántica en un qubit e incluso las posiciones de los planetas y el sol en el cielo nocturno.

Los resultados hacen una lectura interesante. Usando los datos del péndulo, SciNet puede predecir la frecuencia futura del péndulo con un error de menos del 2 por ciento.

Además, Iten, Metger y compañía pueden interrogar a SciNet para ver cómo llega a la respuesta. Desafortunadamente, esto no revela la ecuación precisa, pero muestra que la red usa solo dos variables para llegar a la solución. Ese es exactamente el mismo número que en las leyes de movimiento relevantes.

Pero eso no es todo. SciNet también proporciona predicciones precisas del momento angular de dos bolas después de haber chocado. Eso solo es posible usando la conservación del impulso, una versión de la cual SciNet parece haber descubierto. También predice las probabilidades de medición cuando se interroga un qubit, utilizando claramente alguna representación del mundo cuántico.

Quizás lo más impresionante es que la red aprende a predecir la posición futura de Marte y el sol utilizando la posición inicial vista desde la Tierra. Eso solo es posible usando un modelo heliocéntrico del sistema solar, una idea que los humanos tardaron siglos en dar con.

Y, de hecho, un interrogatorio de SciNet sugiere que ha aprendido tal representación heliocéntrica. SciNet almacena los ángulos de la Tierra y Marte vistos desde el Sol en las dos neuronas latentes, es decir, recupera el modelo heliocéntrico del sistema solar, dicen los investigadores.

Es un trabajo impresionante, pero hay que ponerlo en perspectiva. Esta puede ser la primera demostración de que una red neuronal artificial puede comprimir datos de una manera que revela aspectos de las leyes de la física. Pero no es la primera vez que un enfoque computacional ha derivado estas leyes.

Hace unos años, los informáticos de la Universidad de Cornell utilizaron un algoritmo genético que explota el proceso de evolución para derivar una serie de leyes de la física a partir de datos experimentales. Estos incluían leyes de conservación para la energía y el impulso. El sistema incluso escupió la ecuación en sí, no solo una pista sobre cómo estaba calculando, como lo hace SciNet.

Claramente, los algoritmos evolutivos tienen ventaja en el proceso de descubrir las leyes de la física utilizando datos experimentales sin procesar. (Dado que la evolución es el proceso que produjo redes neuronales biológicas en primer lugar, es discutible que siempre será el enfoque más poderoso).

Hay un corolario interesante en todo esto. La humanidad ha tardado siglos en descubrir las leyes de la física, a menudo en formas que han dependido de manera crucial de leyes descubiertas previamente. Por ejemplo, la mecánica cuántica se basa en la mecánica clásica. ¿Podría haber mejores leyes que puedan derivarse de datos experimentales sin ningún conocimiento previo de física?

Si es así, este enfoque de aprendizaje automático o el basado en la evolución debería ser exactamente lo que se necesita para encontrarlos.

Ref: arxiv.org/abs/1807.10300 : Descubriendo conceptos físicos con redes neuronales

esconder