What Should a Large Language Model See? Physical Invariants as a Data Representation for PDE Discovery
本文引入了“数据解释”方法，这是一种无需训练的方法，它将原始时空场转换为理论家相关的物理不变量，并将其作为大型语言模型的直接输入，从而使自动偏微分方程发现的准确度相比使用原始数据几乎提升了两倍。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在分子科学领域，研究人员不断试图理解微小且不可见的分子间相互作用是如何创造出我们所能观察到的宏观行为的。想象一下观察一滴墨水在水中扩散，或者豹纹图案在皮肤上显现的过程；这些都是由复杂的化学规则驱动的宏观事件。几十年来，科学家一直依赖人类专家来编写支配这些过程的数学法则。这是一项缓慢且耗费精力的任务，通常需要数月甚至数年的专业工作。与此同时，现代实验已经变得极其迅速，能够在一天内生成数千种不同的化学系统。数据采集的速度与人类构建理论的速度之间的差距已成为一个主要的瓶颈。为了弥补这一差距，科学家们转向了人工智能，希望能够自动发现这些支配性的规律。然而，挑战在于这些系统产生的数据并不是一种计算机可以像阅读句子一样轻松“阅读”的格式。它是一个巨大的、不断变化的数值场，随空间和时间而变化，而将这种原始信息直接喂给人工智能，往往会让模型感到过于昂贵且难以理解。
加州理工学院研究人员的一项新研究提出了一种巧妙的解决方案。该团队并没有强迫人工智能盯着原始且压倒性的数据，而是引入了一个名为“数据解释”的步骤。可以将这想象成一个翻译官，它将复杂的、变化的数值场转化为简短、清晰的物理事实摘要——这正是人类专家在尝试解开谜题之前会写下的笔记类型。在实验中，研究人员模拟了各种物理场（如波或化学反应），然后测试了人工智能是否能够推导出创造这些场的底层方程。他们比较了两种方法：一种是向人工智能展示原始数据，另一种是向其展示解释后的摘要。结果令人震惊。当人工智能接收到解释后的摘要时，其恢复正确方程的准确度几乎是看到原始数据时的三倍。这种提升是在没有任何额外训练的情况下实现的，且成本极低，这证明了给予机器一个“理论家的视角”比直接给它一堆原始数据要有效得多。
这项发现的核心在于研究人员如何转换数据。他们并没有向人工智能呈现代表场中每个点状态的数千个数字，而是首先分析数据以提取特定的物理量。他们向数据提出了四个简单的问题：系统的变化是简单的、平滑的，还是像波一样在振荡？变化的速率有多快？系统的行为是呈直线变化的，还是不同部分之间存在复杂的非线性相互作用？是否存在某种方向性的流动，例如携带物质移动的电流？这些问题产生了一组紧凑的测量值，它们占用的空间极小，且能在不到一秒的时间内被人工智能读取。这个过程模仿了人类科学家对待新现象的方式：他们不会记住每一个数据点，而是寻找显著的结构，例如冲击波或重复模式，这些结构暗示了底层的规则。通过将这些见解直接反馈给人工智能，研究人员让模型能够对物理学进行推理，而不仅仅是进行数字计算。
该团队使用了一个包含八个常见数学项的库来测试此方法，这些项描述了化学系统中的传输、生长和反应。他们创建了四十四种不同的模拟场景，涵盖了从简单的线性系统到具有非线性相互作用的复杂系统。在最简单的情况下，即数据干净且规则简单时，当给定解释后的摘要时，人工智能达到了完美的准确度。即使在涉及复杂非线性相互作用的更困难案例中，人工智能的表现也显著优于其基于原始数据的尝试。研究还包括了一个对照组，研究人员打乱了摘要，即给人工智能一个系统的描述，却要求它解决另一个系统。在这种情况下，人工智能的表现崩溃了，降到了随机猜测的水平。这证实了人工智能并非仅仅在记忆常见的模式，而是真正利用提供的物理测量值来构建答案。研究人员指出，当数据解释能够识别出存在复杂相互作用但无法明确其具体形式时，人工智能表现最为吃力，这凸显了摘要的质量与最终答案的质量直接相关。
这种方法为自动化科学发现提供了一条切实可行的路径。该过程不需要对人工智能进行新数据的重新训练，也不需要庞大的计算能力。解释步骤非常迅速，处理每个场仅需不到一秒的时间，且生成的摘要比它所取代的原始数据要小得多。通过将理解数据的任务与提出方程的任务分离，研究人员创建了一个人工智能可以与实验共同进化的流水线。随着实验室从数千个分子系统中产生新数据，这种方法可以自动为每个系统生成候选理论，并根据创造该数据的原始数据进行验证。虽然目前的研究局限于模拟的、无噪声的数据，但作者建议，随着进一步开发以处理现实世界的实验噪声，这项技术可以改变科学家构建理论的方式，将曾经需要数年的过程缩短为仅需几分钟。这项工作表明，对于人工智能能否真正协助科学研究，它并不需要看到一切；它只需要看到正确的东西。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。