A user's guide to PINNs in geometric analysis: lessons from the asymptotic Plateau problem

Die Gestalt der Knoten und die Kunst, Computern das Denken beizubringen

Stellen Sie sich vor, Sie sind ein Meisterbildhauer, aber anstatt mit Ton arbeiten Sie mit unsichtbaren, dehnbaren Seifenfilmen. In der Welt der Mathematik gibt es ein berühmtes Rätsel namens „Plateau-Problem“. Es stellt eine einfache Frage: Wenn man eine Drahtschleife, die die Form eines Knotens hat, in seifiges Wasser taucht, welche Form nimmt der Seifenfilm dann an? Normalerweise ist die Natur klug; sie möchte so wenig Energie wie Bedenken wie möglich verbrauchen, daher pendelt sich der Film in einer „Minimalfläche“ ein – der glattesten, flachsten Form, die er annehmen kann, während er noch am Draht haftet.

Stellen Sie sich nun vor, Sie treiben diese Idee auf die Spitze. Anstatt eines Drahtes in einer Badewanne stellen Sie sich einen Knoten vor, der in einem seltsamen, gekrümmten Universum namens „hyperbolischer Raum“ schwebt, in dem die Regeln der Geometrie verzerrt sind. In diesem Universum ist der Knoten nicht nur eine Schleife in der Mitte des Raumes; er ist eine Form, die am äußersten Rand der Welt gezeichnet ist, unendlich weit entfernt. Die Frage lautet: Können wir eine perfekte, minimale Seifenfilm finden, der sich aus dem Zentrum dieses Universums ausdehnt, um den fernen Knoten zu treffen? Mathematiker wissen schon lange, dass ein solcher Film existiert, aber seine exakte Form zu finden, ist wie der Versuch, ein Labyrinth zu lösen, dessen Wände sich ständig verändern. Hier setzt das Paper an, indem es eine spezielle Art von künstlicher Intelligenz nutzt, um die schwere Arbeit zu leisten.

Das Paper: Einer KI beibringen, ein Geometrie-Genie zu sein

Dieses Paper ist im Wesentlichen ein „Benutzerhandbuch“ für Mathematiker, die eine bestimmte Art von KI namens Physics-Informed Neural Networks (PINNs) verwenden möchten, um diese kniffligen Geometrieprobleme zu lösen. Der Autor, Tancredi Schettini Gherardini und Marco Usula, hat die KI nicht nur dazu benutzt, die Antwort zu erraten; er hat ein superkluges, hocheffizientes System gebaut, das numerische Belege für eine tiefe Verbindung zwischen der Form von Knoten und einer komplexen algebraischen Formel namens HOMFLY-Polynom lieferte.

Stellen Sie sich das HOMFLY-Polynom als einen geheimen Code vorstellen, der in jedem Knoten verborgen ist. Wenn man einen Knoten auf eine bestimmte Weise verdreht, ändert sich der Code. Der Autor wollte sehen, ob die Anzahl der Male, die sich ihre KI-generierten Seifenfilme selbst kreuzen (Selbstschnittpunkte), mit den Zahlen in diesem geheimen Code übereinstimmt. Er testete dies an vielen verschiedenen Knoten, von einfachen Schleifen bis hin zu komplexen „Figure-Eight“-Formen, und stellte fest, dass die Ergebnisse der KI jedes Mal perfekt mit dem Code übereinstimmten. Dies liefert starke numerische Belege für eine Vermutung des Mathematikers Joel Fine, die besagt, dass die Geometrie dieser unendlichen Seifenfilme tief mit der Algebra der Knoten verwoben ist.

Wie sie die KI zum Laufen brachten (Die zwei großen Geheimnisse)

Das Paper räumt ein, dass eine Standard-KI bei diesem Problem wahrscheinlich scheitern oder ewig brauchen würde, um zu lernen. Der Autor entdeckte, dass der Unterschied zwischen einer erfolgreichen KI und einer nutzlosen KI in zwei klugen Tricks liegt, mit denen sie die Regeln des Universums in das „Gehirn“ der KI implementiert haben.

1. Verlangen Sie nicht von der KI, die Regeln zu lernen; bauen Sie sie ein
Normalerweise trainiert man eine KI, indem man ihr ein Ziel gibt (wie „Energie minimieren“) und eine Strafe verhängt, wenn sie gegen die Regeln verstößt (wie „wenn du den Knoten nicht berührst, ziehe einen Punktabzug ab“). Der Autor erkannte, dass dieser Ansatz zu unordentlich ist. Stattdessen baute er die KI so, dass es physisch unmöglich ist, dass sie gegen die Regeln verstößt.

Stellen Sie sich vor, Sie bringen einem Roboter bei, einen Kreis zu zeichnen. Ein normaler Ansatz wäre zu sagen: „Zeichne eine Linie, und wenn sie nicht rund ist, gebe ich dir eine schlechte Note.“ Die KI könnte einen Quadrat zeichnen, eine schlechte Note bekommen und es erneut versuchen, aber sie würde es vielleicht nie perfekt machen. Der Ansatz des Autors war anders: Er baute den Roboterarm so, dass er sich nur in einem Kreis bewegen kann. Egal wie der Roboter versucht sich zu bewegen, er kann nur einen Kreis zeichen. Im Paper entwarf der Autor die Struktur der KI so, dass sie den Knoten in der Unendlichkeit immer berührt und sich am Rand des Universums immer korrekt verhält. Das bedeutete, dass die KI keine Zeit damit verschwenden musste, die Grundlagen zu lernen; sie musste nur noch die schwierigen Details in der Mitte herausfinden. Dies eliminierte die Notwendigkeit eines „Gleichgewichtsakts“ zwischen verschiedenen Strafen und machte das Training viel zuverlässiger.

2. Erfinden Sie das Rad nicht jedes Mal neu
Der zweite Trick betraf die Geschwindigkeit. Um die KI zu trainieren, muss der Computer berechnen, wie sich die Form an jedem einzelnen Punkt verändert, was komplexe mathematische Operationen namens „Ableitungen“ beinhaltet. Die Standardmethode besteht darin, einen Studenten zu fragen, die mathematische Formel jedes Mal aufs Neue von Grund auf herzuleiten, bevor er eine Prüfung ablegt. Das ist zwar genau, aber unglaublich langsam.

Der Autor erkannte, dass er dies viel schneller machen konnte, indem er eine Technik namens „Vorwärtsverbreitung von Second-Order-Jets“ verwendete. Einfach ausgedrückt: Anstatt den Computer jedes Mal zu bitten, die Steigung und die Krümmung der Form von Grund auf neu zu berechnen, brachte er dem Computer bei, die „Steigung“ und die „Krümmung“ zusammen mit der Form als sie durch das Netzwerk wandert, wie einen Rucksack mitzuführen. Er baute auch einen „Compiler“, der den gesamten Satz von Anweisungen nahm und ihn in ein einziges, superschnelles Maschinencode-Programm verwandelte, anstatt die Anweisungen jedes Mal neu aufzubauen.

Das Ergebnis? Diese zwei Änderungen machten den Trainingsprozess 40- bis 50-mal schneller. Auf einem gewöhnlichen Laptop wurde eine Aufgabe, die Tage gedauert hätte oder einen massiven Supercomputer erfordert hätte, in etwa 40 Minuten erledigt. Ohne diese Tricks sagt der Autor, dass seine gesamte Untersuchung dutzender Knoten einen Cluster erfordert hätte oder auf gewöhnlichen Computern gar nicht erst durchgeführt worden wäre.

Was dies für die Zukunft bedeutet

Das Paper behauptet nicht, jedes Knotenproblem im Universum gelöst zu haben, aber es hat ein leistungsfähiges neues Werkzeug bereitgestellt. Indem es zeigte, dass man die KI dazu bringen kann, Ergebnisse zu liefern, die tiefen mathematischen Theorien entsprechen, hat es die Tür für andere Mathematiker geöffnet, ähnliche Methoden anzuwenden. Die Autoren legen nahe, dass wir mit diesen effizienten Techniken bald in der Lage sein könnten, Computer zu nutzen, um die Existenz komplexer Formen in der Geometrie zu beweisen, indem wir numerische Experimente in solide mathematische Beweise verwandeln.

Kurz gesagt: Der Autor hat nicht nur einen Weg gefunden, Seifenfilme in einem Computer zu erzeugen; er hat herausgefunden, wie man den Computer so gut die Regeln des Spiels lehrt, dass er perfekt spielen kann – schnell genug, um uns dabei zu helfen, einige der ältesten Rätsel der Geometrie zu lösen.