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

De Vorm van Knoppen en de Kunst van het Computeronderwijs

Stel je voor dat je een meesterbeeldhouwer bent, maar in plaats van klei werk je met onzichtbare, rekbare zeepfilms. In de wereld van de wiskunde bestaat een beroemd raadsel genaamd het "Plateau-probleem". Het stelt een eenvoudige vraag: als je een ijzeren lus in de vorm van een knoop in zeepwater doopt, welke vorm neemt de zeepfilm dan aan? Meestal is de natuur slim; ze wil zo min mogelijk energie verbruiken, dus de film nestelt zich in een "minimal surface" (een minimaal oppervlak)—de gladste, meest vlakke vorm die het kan aannemen terwijl het nog steeds aan de draad vasthoudt.

Stel je nu voor dat je dit idee tot het uiterste drijft. In plaats van een draad in een badkuip, stel je een knoop voor die zweeft in een vreemd, gekromd universum genaamd "hyperbolische ruimte", waar de regels van de geometrie vervormd zijn. In dit universum is de knoop niet zomaar een lus in het midden van de kamer; het is een vorm die getekend is op de rand van de wereld, oneindig ver weg. De vraag wordt: kunnen we een perfecte, minimale zeepfilm vinden die vanuit het centrum van dit universum uitwaaiert om die verre knoop te ontmoeten? Wiskundigen weten al heel lang dat een dergelijke film bestaat, maar het daadwerkelijk vinden van de exacte vorm is als het proberen op te lossen van een doolhof waarvan de muren constant veranderen. Hier komt het artikel in beeld, waarbij gebruik wordt gemaakt van een speciaal soort kunstmatige intelligentie om het zware werk te verrichten.

Het Papier: AI Leren een Geometrisch Genie te Zijn

Dit artikel is in essentie een "gebruikershandleiding" voor wiskundigen die een specifiek type AI willen gebruiken, genaamd Physics-Informed Neural Networks (PINNs), om deze lastige geometrische problemen op te lossen. De auteur, Tancredi Schettini Gherardini en Marco Usula, heeft niet alleen AI gebruikt om het antwoord te raden; ze hebben een superintelligent, uiterst efficiënt systeem gebouwd dat numeriek bewijs leverde voor een diepe verbinding tussen de vorm van knopen en een complexe algebraïsche formule genaamd het HOMFLY-polynoom.

Beschouw het HOMFLY-polynoom als een geheime code die in elke knoop verborgen zit. Als je een knoop op een bepaalde manier draait, verandert de code. De auteur wilde zien of het aantal keren dat hun door AI gegenereerde zeepfilms over zichzelf heen kruisen (zelfintersecties), overeenkwam met de getallen in deze geheime code. Ze testten dit op veel verschillende knopen, van eenvoudige lussen tot complexe "figure-eight" vormen, en ontdekten dat de resultaten van de AI telkens perfect overeenkwamen met de code. Dit levert sterk numeriek bewijs voor een vermoeden van de wiskundige Joel Fine, dat suggereert dat de geometrie van deze oneindige zeepfilms diep verbonden is met de algebra van knopen.

Hoe Ze de AI Werkend Kregen (De Twee Grote Geheimen)

Het artikel geeft toe dat als je gewoon een standaard AI op dit probleem loslaat, deze waarschijnlijk zal falen of er eeuwen over zal doen om te leren. De auteur ontdekte dat het verschil tussen een succesvolle AI en een nutteloze AI voortkomt uit twee slimme trucs die zij gebruikten om de regels van het universum in de hersenen van de AI te "hardcoderen".

1. Vraag de AI niet om de regels te leren; bouw ze erin in
Normaal gesproken, wanneer je een AI traint, geef je het een doel (zoals "minimaliseer energie") en een straf als het de regels overtreedt (zoals "als je de knoop niet raakt, krijg je een straf"). De auteur besefte dat deze aanpak te rommelig is. In plaats daarvan bouwden ze de AI zo dat het fysiek onmogelijk is voor de AI om de regels te breken.

Stel je voor dat je een robot leert om een cirkel te tekenen. Een normale aanpak is om te zeggen: "Teken een lijn, en als het niet rond is, geef ik je een slecht cijfer." De AI zou een vierkant kunnen tekenen, een slecht cijfer krijgen en het opnieuw proberen, maar het zal misschien nooit perfect worden. De aanpak van de auteur was anders: ze bouwden de arm van de robot zo dat deze alleen maar in een cirkel kan bewegen. Hoe de robot ook probeert te bewegen, hij kan alleen een cirkel tekenen. In het artikel ontwierpen ze de structuur van de AI zo dat deze altijd de knoop in het oneindige raakt en zich altand correct gedraagt aan de rand van het universum. Dit betekende dat de AI geen tijd hoefde te verspillen aan het leren van de basis; de AI hoefde alleen de lastige details in het midden uit te vogelen. Dit elimineerde de noodzaak voor een "balansact" tussen verschillende straffen en maakte de training veel betrouwbaarder.

2. Elke keer het wiel niet opnieuw uitvinden
De tweede truc ging over snelheid. Om de AI te trainen, moet de computer berekenen hoe de vorm verandert op elk afzonderlijk punt, wat complexe wiskunde vereist die "afgeleiden" wordt genoemd. De standaardmanier om dit te doen is alsof je een student vraagt om bij elke test een wiskundige formule vanaf nul opnieuw af te leiden. Het is accuraat, maar ongelooflijk traag.

De auteur realiseerde zich dat ze dit veel sneller konden doen door een techniek te gebruiken genaamd "forward propagation of second-order jets". In gewone taal: in plaats van de computer elke keer opnieuw te vragen om de helling en de kromming van de vorm vanaf nul te berekenen, leerden ze de computer om de "helling" en de "kromming" mee te dragen met de vorm terwijl deze door het netwerk beweegt, als een rugzak. Ze bouwden ook een "compiler" die de volledige set instructies nam en deze omzette in één enkel, supersnel machinecode-programma, in plaats van de instructies telkens opnieuw op te bounden.

Het resultaat? Deze twee wijzigingen maakten het trainingsproces 40 tot 50 keer sneller. Op een gewone laptop werd een taak die dagen zou hebben geduurd of een enorme supercomputer zou hebben vereist, in ongeveer 40 minuten voltooid. Zonder deze trucs zegt de auteur dat hun volledige studie van tientallen knopen een clusterklasse nodig zou hebben gehad, of simpelweg niet op gewone computers uitgevoerd zou kunnen worden.

Wat Dit Betekent voor de Toekomst

Het artikel beweert niet dat het elk knoopprobleem in het universum heeft opgelost, maar het heeft een krachtig nieuw instrument geleverd. Door aan te tonen dat ze de AI in staat konden stellen om resultaten te produceren die overeenkomen met diepe wiskundige theorieën, hebben ze de deur geopend voor andere wiskundigen om vergelijkbare methoden te gebruiken. Ze suggereren dat we met deze efficiënte technieken binnenkort computers kunnen gebruiken om te helpen bij het bewijzen van het bestaan van complexe vormen in de geometrie, waardoor numerieke experimenten worden omgezet in solide wiskundige bewijzen.

Kortom, de auteur heeft niet alleen een manier gevonden om zeepfilms in een computer te maken; ze hebben ontdekt hoe ze de computer de regels van het spel zo goed kunnen leren, dat de computer perfect kan spelen, snel genoeg om ons te helpen bij het oplossen van enkele van de oudste puzzels in de geometrie.