عطف علم در نقطه‌ای به نام «یادگیری ماشین»/ نظریه جدید هوش مصنوعی ماهیت روش علمی را تغییر می‌دهد؟

به گزارش خبرنگار گروه علم و فناوری خبرگزاری آنا، الگوریتم جدیدی که توسط دانشمندی در آزمایشگاه فیزیک پلاسمای دانشگاه پرینستون(PPPL) ابداع شده است، برای حل مسائل علمی از یادگیری ماشین که نوعی روش هوش مصنوعی(AI) برمبنای تجارب پیشین است استفاده می‌کند. هونگ چین(Hong Qin)، فیزیکدان دانشگاه پرینستون با اختراع این سیستم مبتنی بر هوش مصنوعی می‌تواند تغییرات بنیادین را در نگاه ما به علم و روش علمی ایجاد نماید.

او در این رابطه می‌گوید: «شما معمولاً در علم فیزیک، مشاهداتی انجام می‌دهید و نظریه‌ای را براساس این مشاهدات خلق می‌کنید و سپس از آن نظریه برای پیش‌بینی مشاهدات جدید بهره می‌برید. آنچه که من انجام دادم جایگزینی این فرآیند با نوعی جعبه سیاه است که می‌تواند پیش‌بینی‌های دقیق علمی را بدون کسب اطلاع از نظریه قبلی یا قوانین سنتی انجام دهد.»

آیا هوش فیزیک جایگزین علم فیزیک خواهد شد؟

هونگ چین یک برنامه کامپیوتری نوشته است که در آن داده‌های حاصل از مشاهدات گذشته مدار عطارد، زهره، زمین، مریخ، مشتری و سیاره کوتوله سِرِس به آن ارائه شد. این برنامه، همراه با یک برنامه اضافی معروف به «الگوریتم خدمت»( serving algorithm)، بدون استفاده از قوانین حرکت و جاذبه نیوتن، مدارهای دیگر سیارات منظومه شمسی را به طور دقیق پیش‌بینی کرد. چین دراین رابطه می‌گوید: «من اساساً تمام قوانین اساسی فیزیک را دور زده‌ام و مستقیماً از داده به داده رسیده‌ام. هیچ قانون فیزیکی این وسط وجود ندارد.»

اینکه برنامه فاقد بنیان فیزیکی است بدین معنی نیست که پیش‌ینی‌ها به طور تصادفی اتفاق می‌افتد. جاشوا بربی(Joshua Burby)، فیزیکدان آزمایشگاه دانشگاه لوس‌آلاموس که پایان‌نامه دکترای خود را زیر نظر هونگ چین دفاع کرده است می‌گوید: «چین اصول محوری را که طبیعت برای تعیین دینامیک هر سیستم فیزیکی به کار می‌برد به برنامه آموخته است. نتیجه این شده است که ماشین پس از مشاهده چند نمونه آموزشی، قوانین حرکت سیاره را خود یاد می‌گیرد. به عبارت دیگر، کد وی واقعاً قوانین فیزیک را خودش آموخته است.»

یادگیری ماشین و خیزش مجدد هوش مصنوعی

امروزه یادگیری ماشین یکی از کلیدی‌ترین روش‌های هوش مصنوعی است و بن‌بستی که هوش مصنوعی برای دهه‌ها به آن گرفتار شده بود پایان داده است. گوگل یکی از پیشگامان به کارگیری یادگیری ماشین در سطح کلان بود و جالب است که بدانید برنامه‌ای ابری همچون Google Translate به دلیل یادگیری عمیق(که زیرشاخه‌ای از یادگیری ماشین است) محقق شده است.

بخش عمده این سرویس مبتنی بر این است که بررسی کند یک واژه از زبان مبدأ با چه نرخ تکراری به کلمه‌ای در زبان دیگر ترجمه شده است. به این ترتیب، برنامه بدون اینکه از ابتدا با هیچ کدام از زبان‌ها آشنا باشد ترجمه دقیقی را انجام می‌دهد و ماهیت این روش به گونه‌ای است که با داده‌های بیشتر کیفیت ترجمه‌ها نیز بهتر می‌شود. بنابراین Google Translate بدون اینکه در بخش کد منبع در طی این دهه تغییر اساسی کرده باشد، کیفیت ترجمه‌هایش روزبه‌روز بهتر شده چرا که ماشین خود را با داده‌های بیشتری آموزش داده است.  

اتاق چینی

این فرایند همچنین در آزمایش اندیشه فلسفی جان سرل(John Searle) که به اتاق چینی مشهور است نیز تبلور پیدا می‌کند. در این سناریو، کسی که در اتاقی حضور دارد و از دانش کافی برای چینی صحبت کردن برخوردار نیست می‌تواند یک جمله چینی را به انگلیسی(یا هر زبان دیگر) با استفاده از مجموعه دستورالعمل‌ها یا قوانین یا کتب ترجمه کند. بحث اینجاست که او هرگز چینی یاد نگرفته فقط با استفاده از چیزی شبیه به یک کتابِ راهنمای سریع عین جمله را برگردانده است. نتیجه این آزمایش این است که کامپیوترها نیز در حقیقت کار مشابهی را انجام می‌دهد. در اینجا سوال فلسفی که مطرح خواهد شد این است که فهمیدن در واقع به چه معناست و آیا انتقال پیام علاوه بر برگرداندن واژگان به تعابیر قابل تجسم، به معنای درک مطلب نیز هست یا خیر.  

هونگ چین تا حدی از آزمایش اندیشه فلسفی نیک بوستروم(Nick Bostrom)، فیلسوف دانشگاه آکسفورد الهام گرفت که جهان را یک شبیه‌سازی کامپیوتری خوانده است. اگر این مسئله درست باشد، بنابراین قوانین اساسی فیزیکی باید نشان دهد که جهان از تکه‌های فضا-زمان مانند پیکسل‌های یک بازی ویدیویی تشکیل شده است. چین می‌گوید: «اگر ما در یک جهان شبیه‌سازی‌شده زندگی کنیم، دنیا باید گسسته باشد.» تکنیک جعبه سیاه که توسط هونگ چین ابداع شده است، نیازی به این ندارد که فیزیکدانان قوانین این شبیه‌سازی را به معنای حقیقی کلمه بدانند، گرچه هدف این است که پیش‌بینی‌های دقیق فیزیکی انجام گیرد.

نمای پیکسلی حاصل از جهان، یعنی همان چیزی که در فیلم سینمایی ماتریکس به نمایش درآمد، به عنوان یک فرضیه میدان گسسته(discrete field theory) شناخته می‌شود. براساس این فرضیه جهان به صورت بیت‌های مجزا تشکیل شده است. در حالی که دانشمندان معمولاً مفاهیمی کلی را درباره چگونگی رفتار دنیای فیزیکی تدوین می‌کنند، کامپیوترها فقط مجموعه‌ای از نقاط داده‌ای را جمع می‌کنند.

استفاده از یادگیری ماشین برای کارهای آتی

چین و اریک پالمرداکا(Eric Palmerduca)، دانشجوی تحصیلات تکمیلی دانشگاه فیزیک پلاسما دانشگاه پرینستون، اکنون در حال توسعه روش‌هایی برای استفاده از فرضیه‌های میدان گسسته برای پیش‌بینی رفتار ذرات پلاسما در آزمایش‌های همجوشی هستند، آزمایشی که توسط دانشمندان نیز سراسر جهان انجام شده است. در یک دستگاه همجوشی مغناطیسی، دینامیک پلاسما پیچیده و چند-مقیاسی است و قوانین حاکم یا مدل‌های محاسباتی برای یک فرایند فیزیکی خاص که به طور معمول مورد علاقه فیزیکدانان است در چنین فرایندی همیشه روشن نیست. بنابراین چین و همکارانش امیدوارند در این سناریوها بتوانند با استفاده از روش یادگیری ماشین و پیاده‌سازی نظریه میدانی گسسته به قابلیت پیش‌بینی جدیدی براساس مشاهدات تجربی دست یابند.

به طور معمول از طریق فرمول‌ها مسائل گسترده را حل می‌کنند اما حال انتظار می‌رود به وسیله قوای پردازشی گسترده و یادگیری ماشین بتوان با کلان‌داده فرمول‌هایی جدید را به دست آورد یا فرمول معمول را که برای توضیح پدیده‌های جهان کفایت نمی‌کنند، گسترش داد. همچنین باید پذیرفت که از طریق روش یادگیری ماشین می‌توان به خوبی صحت و سقم نظریه‌های فیزیکی مرسوم را پی برد.

چین در این رابطه می‌گوید: «هدف نهایی هر دانشمندی حل مسائل است و شما ممکن است لزوماً حتی به قانون فیزیکی برای حل کردن احتیاج نداشته باشید. به عنوان مثال، اگر بتوانم مدار سیاره‌ای را کاملاً پیش‌بینی کنیم، نیازی به دانستن قوانین حرکتی و جاذبه نیوتن نداریم. البته می‌توانید استدلال کنید که با این کار، سطح سواد و درک از قوانین نیوتن را از دست خواهید داد که به یک معنا درست است، اما از نظر عملی حل دقیق مسئله مهم‌ترین چیز است.» 

انتهای پیام/4160