神经网络能够重新发现科学史上最重要的范式转变之一：地球和其他行星围绕太阳旋转。成就暗示了机器学习
神经网络能够重新发现科学史上最重要的范式转变之一：地球和其他行星围绕太阳旋转。该成就表明，机器学习技术有一天有助于揭示物理学的新定律，甚至可能在量子力学的复杂领域内。
调查表明，结果将出现在《物理评论》杂志中。
该神经网络（一种称为Scinet的机器学习算法）显示出了关于太阳和火星如何从地球出现在夜空的固定明星背景下的测量值。 Scinet的任务是由瑞士联邦技术学院的科学家团队分配的，是为了预测太阳和火星将在未来的时间点处于何处。
哥白尼风格的公式
在此过程中，SCINET产生的公式将太阳放在我们太阳系中心。值得注意的是，Scinet以类似于天文学家Nicolaus Copernicus发现HeliePentricity的方式来完成这项工作。
“在16世纪，哥白尼测量了遥远的固定恒星与几个行星和天体之间的角度，并假设太阳而不是地球位于我们的太阳系中心，并且这些行星在太阳上围绕太阳移动了，而轨道。 “这解释了从地球上看到的复杂轨道。”
该团队“鼓励” Scinet提出了以最简单的方式预测太阳和火星的运动的方法。为此，Scinet在两个子网之间来回传递信息。一个网络从数据中“学习”，另一个网络使用该知识来做出预测并测试其准确性。这些网络仅通过几个链接相互连接，因此当它们通信时，信息被压缩，从而导致“更简单”表示。Renner等。
Scinet决定，预测天体运动的最简单方法是通过将太阳放置在我们太阳系中心的模型。因此，神经网络并不一定是“发现”的中心性，而是通过人类可以解释的数学来描述它。
建造人类般的人工智能
2017年，数据科学家布伦登·莱克（Brenden Lake）和他的同事们写了一篇论文，描述了建造像人一样学习和思考的机器所需的内容。这样做的一个基准是可以描述物理世界的人工智能。当时，他们说“对与物理相关的数据进行培训的深网仍然可以自行发现物理定律。从狭窄的意义上讲，Scinet通过此测试。
Scinet团队写道：“总而言之，这项工作的主要目的是表明神经网络可用于在没有任何先验知识的情况下发现物理概念。” “为了实现这一目标，我们引入了一种神经网络体系结构，以建模物理推理过程。示例说明，这种体系结构使我们能够从实验中提取物理相关的数据，而无需对物理或数学施加进一步的知识。”
原创文章，作者：乐观兔，如若转载，请注明出处：http://www.dsonekey.com/3332.html
