NestyNet. IV. Laws Chosen by Nothing in Advance
NestyNet-DE is een nieuw raamwerk dat complexe, niet-lineaire differentiaalvergelijkingen en hun onderliggende geometrische symmetrieën direct uit data ontdekt zonder te vertrouwen op vaste bibliotheken, waarbij het fundamentele natuurwetten zoals de gereduceerde Kepler-hiërarchie en de Schrödinger-vergelijking succesvol herstelt door een combinatie van sparse-library en operator-gefactoriseerde zoekstrategieën.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De wetenschap heeft lang vertrouwd op een eenvoudig, krachtig idee: dat het universum spreekt in de taal van de wiskunde, en dat als we maar nauw genoeg luisteren naar de beweging van de dingen, we de regels kunnen horen die hen beheersen. Eeuwenlang hebben natuurkundigen deze regels opgeschreven als vergelijkingen, die beschrijven hoe planeten banen beschrijven, hoe licht buigt en hoe deeltjes met elkaar interageren. Maar het direct vinden van deze vergelijkingen uit ruwe data, zonder al te weten waarnaar men op zoek moet, is een van de moeilijkste uitdagingen in de moderne informatica geweest. De moeilijkheid ligt in het feit dat de natuur zelden eenvoudig is. Real-world systemen bevatten vaak veel bewegende onderdelen die elkaar op complexe, niet-lineaire manieren beïnvloeden, en de data die we verzamelen is vaak ruisachtig of incompleet. Traditionele computermethoden worstelen hierbij omdat ze meestal een vooraf opgestelde lijst van mogelijke vergelijkingen vereisen om uit te kiezen, of ze vertrouwen op grove benaderingen van hoe zaken veranderen, wat kan leiden tot onjuiste conclusies.
Een nieuwe aanpak, gedetailleerd in een recente studie door Rodrigo Ibata en zijn collega's, biedt een manier om deze beperkingen te omzeilen. De onderzoekers hebben een systeem ontwikkeld dat de beweging van objecten kan beluisteren en de exacte wiskundige wetten kan reconstrueren die hen aansturen, zelfs wanneer die wetten complex zijn, meerdere velden omvatten, of te maken hebben met grootheden die zowel reële als imaginaire delen hebben. De sleutel tot hun succes is een methode die de data niet behandelt als een statische lijst met getallen, maar als een vloeiend, continu verhaal. Door een neuraal netwerk te trainen om te fungeren als een perfecte, ruisvrije versie van de geobserveerde data, kan het systeem exact berekenen hoe snel dingen op elk moment veranderen. Deze precisie stelt het in staat om potentiële wetten te testen met een nauwkeurigheid die voorheen onmogelijk was, waardoor de ware beheersende regels worden gescheiden van louter wiskundige toevalligheden.
De onderzoekers testten hun systeem, dat ze NestyNet-DE noemen, op een grote verscheidenheid aan uitdagingen, variërend van eenvoudige zwaaiende pendules tot de complexe vergelijkingen die licht en elektriciteit beschrijven. In een reeks tests voedden ze het systeem met data van dertig jaar aan dagelijkse waarnemingen van driehonderd acht asteroïden die banen beschrijven in de hoofdgordel tussen Mars en Jupiter. Deze asteroïden bewegen zich niet in een perfect, leeg vacuüm; ze worden voortdurend gestuurd door de zwaartekracht van andere planeten, wat een rommelig, verweerd verslag van hun paden creëert. De meeste computermodellen zouden moeite hebben om de onderliggende orde in een dergelijke chaotische dataset te vinden. Echter, het nieuwe systeem slaagde erin de ruis weg te filteren en de fundamentele hiërarchie van de wetten van Kepler te herstellen. Het identificeerde de regel dat een planeet gelijke oppervlakten in gelijke tijden bestrijkt, ontdekte de omgekeerde kwadratenwet van de zwaartekracht die de asteroïden naar de zon trekt, en reconstrueerde zelfs de energievergelijking die hun beweging beheerst. Opmerkelijk genoeg paste het systeem niet alleen getallen aan een curve aan; het leidde een specifieke geometrische symmetrie af uit de data die de centrifugale term van de vergelijking dwong een precieze waarde aan te nemen, in plaats van het simpelweg te raden.
De studie demonstreerde ook dat het systeem vergelijkingen kan afhandelen die de kwantumwereld beschrijven, waar grootheden complexe getallen zijn, en de vergelijkingen voor elektromagnetisme, die vectorvelden bevatten zoals elektrische en magnetische krachten. In deze gevallen moest het systeem wetten vinden die aan elkaar gekoppeld waren, wat betekent dat het gedrag van het ene veld direct het gedrag van het andere dicteert. De onderzoekers toonden aan dat hun methode de beroemde vergelijkingen van Maxwell kon herstellen, die beschrijven hoe licht en elektriciteit zich voortplanten, zelfs wanneer de data ruisachtig was en de potentiële vergelijkingen veel plausibele maar onjuiste "lokerende" termen bevatten. Het systeem identificeerde correct de ware termen en verwierp de bedriegers, een prestatie die oudere methoden niet op een vergelijkbaar niveau van ruis hadden kunnen bereiken.
Wat dit werk bijzonder significant maakt, is dat het niet leunt op een vaststaand woordenboek van mogelijke vergelijkingen. In plaats daarvan kan het nieuwe structurele vormen verzinnen als de data daarom vraagt, waarbij het direct zoekt over de architectuur van de wetten in plaats van enkel te kiezen uit een vooraf geschreven menu. Het gaat ook verder dan het simpelweg vinden van de vergelijking; het kan de verborgen symmetrieën binnen die vergelijking ontdekken, zoals de rotatiesymmetrie die verklaart waarom impulsmoment behouden blijft. Door deze symmetrieën direct uit de data te vinden, kan het systeem de wetten integreren om gesloten vormoplossingen te vinden en uit te leggen waarom het universum zich zo gedraagt als het doet. De onderzoekers hebben hun code en data publiekelijk beschikbaar gesteld, zodat anderen deze resultaten kunnen verifiëren en de methode kunnen toepassen op hun eigen wetenschappelijke vragen. Dit vertegenwoordigt een verschuiving van het simpelweg fitten van data naar het begrijpen van de diepe, structurele logica van de fysieke wereld, wat een instrument biedt dat wetenschappers kan helpen wetten te ontdekken die niemand had voorzien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.