Asymptotics-guided learning and symbolic regression for dispersive resonances

在光与物质的世界里，某些物体与特定颜色的光有着特殊的联系。当一束光击中由某种特定物质构成的微小粒子时，该粒子可以捕捉到那束光并产生剧烈的振动，从而留住能量。这种现象被称为共振。这正是歌手能用一个音符震碎酒杯的原因，也是无线电能接收某一电台而忽略其他电台的原因。在纳米技术的微观领域，工程师们设计微小的结构来利用这些共振，用于从超灵敏医疗传感器到更高效太阳能电池板等各种领域。然而，准确预测哪种频率的光会触发特定材料的这种振动，是一个极其困难的数学难题。材料往往会根据照射在其上的光而改变其特性，创造出一个难以用标准公式进行描绘的复杂且不断变化的景观。

一个研究团队开发出了一种结合两种世界精华的新方法来解决这个难题：经典物理学的严密逻辑与现代人工智能的模式发现能力。他们并没有试图教计算机从零开始猜测答案，而是使用了一个可靠的数学近似值作为起点，然后教计算机只学习该近似值所产生的微小误差。通过专注于缺失的部分而非整体图像，他们能够创造出高度准确且易于人类理解和阅读的预测。他们的工作表明，当你用正确的物理直觉来引导机器学习系统时，它能够发现隐藏在复杂数据中的简单、优雅的规则。

研究人员专注于一种被称为“色散介质”的特定类型材料，在这种材料中，材料与光的相互作用方式取决于光的颜色。在这些材料中，寻找共振频率就像是在解一个谜题，其中的游戏规则会随着你尝试回答而发生变化。几十年来，科学家们一直使用渐近分析法——一种通过假设某些条件已满足来简化复杂方程的方法——来获得这些频率的粗略估计。当物体相对于光波长非常小时，这种方法效果很好；但随着物体变得稍大或条件变得更加复杂，估计值就会开始偏离现实。解决这一问题的传统方法是计算越来越多且越来越复杂的项，但这些计算很快就会变得难以处理，且难以应用于实际设计。

为了弥补这一差距，团队决定不将数学近似值视为最终答案，而是将其作为一个基准。他们将计算机对共振频率的高度精确模拟作为“真值”，并将其与标准公式提供的粗略估计进行对比。两者之间的差异被称为残差。他们并没有训练一个庞大且不透明的人工智能来学习材料尺寸与共后共振频率之间的整个关系，而是训练了一个更简单的系统来仅学习这一微小的差异。这有点像一个已经掌握了游戏基本规则的学生，只需要学习专家使用的特定技巧。计算机的任务不是重新发现物理定律，而是学习标准定律所遗漏的微妙修正。

成功的关键在于他们向计算机描述问题的方式。他们没有输入如粒子尺寸或阻尼程度之类的原始数字，而是提供了源自提供粗略估计的同一套数学理论的特征。他们包含了理论认为重要的特定数字组合，例如涉及粒子尺寸和频率对数的项。这种方法被作者称为“渐近引导学习”，它确保了计算机在正确的地方寻找模式。当他们在单个微型谐振器上测试这种方法时，结果令人瞩目。标准近似值的误差率约为千分之一，但修正后的模型将误差降低到了不到千万分之一。计算机成功地以惊人的精度学习了如何修正旧公式的错误。

随后，团队接受了一个更具挑战性的任务：一对靠得很近的谐振器，被称为“二聚体”。当两个这样的物体靠近时，它们会发生相互作用，从而产生两个截然不同的共振频率，而不是一个。这种相互作用使得数学计算变得更加混乱，因为一个物体的行为取决于它的邻居。研究人员在此应用了相同的策略，使用这对谐振器的粗略估计，并训练计算机学习剩余的误差。该系统表现良好，显著提高了对两个共振频率预测的准确性。该方法在耦合系统上的成功应用表明，其底层逻辑足够强大，能够处理相互作用带来的复杂性，而不仅仅是处理简单的、孤立的物体。

这项发现最令人惊讶的部分在于，当研究人员要求计算机解释其自身的修正时发生了什么。他们使用了一种称为符号回归的技术，这种技术寻找能够拟合数据的简单数学公式，而不仅仅是给出一个数值答案。计算机并没有产生一个无人能懂的“黑箱”算法。相反，它产生了紧凑、可读的公式，看起来非常像物理学家会写下的方程。这些公式显示，修正取决于研究人员预期的相同物理尺度，这证实了计算机确实学习到了问题的正确物理结构。由此产生的方程既简单到可以用纸笔写下，又能够高保真地捕捉系统的复杂行为。

为了确保发现的可靠性，团队进行了多次测试，以观察系统在不同条件下的表现。他们检查了结果是否仅仅是使用了特定数据的偶然现象，方法是移除训练集中的某些类型信息。他们发现，只有在给予他们设计的特定物理特征时，系统才能表现良好；如果只给它没有理论背景的原始数字，准确性就会大幅下降。这证明了改进来自于对特征的智能设计，而非仅仅通过向计算机喂入更多数据。他们还使用带有噪声的数据测试了系统，模拟了现实测量中可能出现的误差，发现只要噪声不是过于压倒性的，该方法依然保持稳定。

研究还探讨了当物体稍大或材料比理想情况中更有损耗时，系统的表现如何。在这些“分布外”测试中（即计算机必须预测其训练期间未见过的条件的行为），修正后的模型仍然大幅领先于标准近似值。这表明，学习到的修正不仅是在记忆特定的案例，而是在捕捉关于系统行为的更深层、更通用的规则。研究人员发现，即使他们在符号回归中加入了一个已知的理论修正作为提示，计算机仍能进一步优化它，这表明剩余的误差确实是由理论所预测的相同物理尺度所支配的。

这项工作为科学家如何在物理定律已被充分理解但难以应用的领域中使用人工智能提供了一个新的蓝图。研究人员展示了，与其用数字“黑箱”取代人类知识，不如利用机器学习来填补人类知识的空白。通过用正确的物理直觉来引导学习过程，他们创造了一个既极其准确又完全可解释的工具。其结果是一套简单的公式，工程师可以使用这些公式来设计更好的光学器件、传感器和材料，而无需为每一个新设计都进行昂贵且耗时的计算机模拟。这项研究表明，科学发现的未来或许不在于在理论与数据之间做出选择，而在于将两者如此紧密地编织在一起，以至于它们变得难以分辨。