Recovering Irreducible Three-Body Interactions with Lagrangian Neural Networks
本文证明了拉格朗日神经网络在结合信号感知采样和符号回归的情况下，能够直接从轨迹数据中成功恢复不可约三体阿克西洛德-泰勒（Axilrod-Teller）相互作用的闭式表达式，即使在存在两体力的情形下也是如此。
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
在物理学界，科学家们长期以来一直依赖一个强大的思想来描述物体如何运动：即自然总是选择阻力最小的路径这一原则。这个被称为“作用量平稳原理”的概念，使得研究人员能够通过理解一个被称为“拉格朗日量”的单一数学量，来预测物体的未来运动。几个世纪以来，这一框架成功地解释了从摆动的单摆到运行的行星等各种现象，但它传统上假设物体之间的相互作用是简单且可叠加的。在这种观点中，三个物体之间的力仅仅是每对物体之间力的总和。然而，现实世界往往更加复杂。有时，三个物体以一种无法分解为两两配对的方式进行相互作用；第三个物体的存在从根本上改变了另外两个物体的行为方式，从而创造了一种取决于它们共同构成的特定形状的、独特的、不可约的联系。
土耳其博阿齐奇大学（Boğaziçi University）的一支研究团队致力于探索现代人工智能是否能够仅通过观察粒子的运动，就自主发现这些复杂的“三体相互作用”。他们转向了一种特定的机器学习模型，称为“拉格朗日神经网络”。与试图记忆模式的标准计算机程序不同，这些网络在构建时就将物理定律植入到了其结构之中。它们旨在通过观察轨迹（即粒子随时间变化的路径）来学习运动的底层规则，而无需被告知力的大小。研究人员想要知道，这样一个系统能否通过观察三个粒子的运动，推断出它们正受到一种只有当三个粒子同时存在时才会产生的力的推动或拉动，而这种力的性质会随着它们形成的形状而改变。
为了测试这一点，科学家们创建了一个包含三个相同粒子的模拟环境。他们编写程序，根据一种已知的复杂力——阿克西洛德-泰勒（Axilrod-Teller）相互作用，来生成数百万种不同的粒子运动。这种力是一种真实的物理现象，发生在中性原子之间，其能量不仅取决于原子之间的距离，还取决于它们所构成的角度。如果原子形成一个紧凑的三角形，力会将它们推开；如果它们拉伸成一条细长的直线，力则会将它们拉拢。研究人员仅向计算机输入了这些运动粒子的记录路径，而完全隐藏了力的公式。神经网络必须从运动中反向推导出支配它的隐形规则。
结果令人震惊。这台人工智能成功学习到了这种隐藏的力。它不仅仅是记住了路径，而是重建了产生这些路径的实际数学定律。网络发现这种力遵循特定的模式：随着粒子靠近，它变得异常强大；并且它会根据粒子形成的三角形形状，在排斥力和吸引力之间发生切换。为了确保系统不是在瞎猜，研究人员将其预测结果与已知的物理学进行了对比。网络习得的力与真实力量高度吻凑，准确地重现了相互作用随距离和角度变化的规律。更令人印象深刻的是，当研究人员要求计算机将其内部复杂的数学理解转化为简单的、人类可读的公式时，它做到了惊人的准确。计算机写出了关于三体相互作用的精确表达式，包括描述角度依赖性和正确耦合强度的特定项。虽然恢复的公式在数学上并非完美——显示出极小的残余误差以及一个略微破坏粒子完美对称性的次要项——但它捕捉到了核心物理特性，其忠实度足以有效地揭示出真实的规则手册。
然而，这项研究也揭示了这类发现的一个关键局限。在现实世界中，这种三体力的强度通常远小于原子间存在的更强的两体力的微小修正。研究人员测试了当这种三体信号被埋在更强大、更简单的两体力的噪声之下时，他们的系统是否能够找到它。他们发现，如果三体力的强度相对于计算机学习过程中的固有误差过弱，系统就无法检测到它。信号直接淹没在了背景之中。但当他们放大三体相互作用的强度，使其足以在噪声中清晰显现时，系统便立即找到了它。这表明，虽然人工智能可以从运动中发现复杂的物理定律，但它需要信号足够强，以便能从模型的局限性中分辨出来。
这项工作展示了一条新的科学发现之路。通过将深度学习与物理学的基本结构相结合，研究人员现在可以超越仅仅预测系统将如何表现，进而实现真正发现其运作规律的目标。研究表明，如果你提供正确类型的数据和正确类型的数学框架，机器就可以通过观察粒子混沌的舞动，写下它们相互作用的规则手册，即使这份手册描述的是一种涉及三个物体作为一个整体、不可分割地进行作用的关系。
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。