มนุษย์กับเครื่องจักร: AI สามารถทำวิทยาศาสตร์ได้หรือไม่?

ตอนนี้ ทีมนักวิทยาศาสตร์จาก Okinawa Institute of Science and Technology Graduate University (OIST), University of Munich และ CNRS ที่ University of Bordeaux ได้แสดงให้เห็นว่าเครื่องจักรสามารถเอาชนะนักฟิสิกส์เชิงทฤษฎีได้ด้วยเกมของพวกเขาเอง ซึ่งเป็นการแก้ปัญหาที่ซับซ้อน แม่นยำพอๆ กับนักวิทยาศาสตร์ แต่เร็วกว่ามาก ในการศึกษาซึ่งตีพิมพ์เมื่อเร็วๆ นี้ในPhysical Review Bเครื่องจักรเรียนรู้ที่จะระบุเฟสแม่เหล็กที่ผิดปกติในแบบจำลองของไพโรคลอร์ ซึ่งเป็นแร่ธาตุที่เกิดขึ้นตามธรรมชาติซึ่งมีโครงสร้างตาข่ายแบบ tetrahedral เมื่อใช้เครื่องนี้ การแก้ปัญหาใช้เวลาเพียงไม่กี่สัปดาห์ ในขณะที่นักวิทยาศาสตร์ของ OIST ก่อนหน้านี้ต้องใช้เวลาถึงหกปี "นี่เป็นขั้นตอนที่สำคัญจริงๆ" ศาสตราจารย์ Nic Shannon หัวหน้าหน่วย Theory of Quantum Matter (TQM) ที่ OIST กล่าว "ปัจจุบันคอมพิวเตอร์สามารถดำเนินการด้านวิทยาศาสตร์ได้อย่างมีความหมาย และจัดการกับปัญหาที่ทำให้นัก วิทยาศาสตร์ ผิดหวังมานาน" แหล่งที่มาของความผิดหวัง ในแม่เหล็กทั้งหมด อะตอมทุกอะตอมเกี่ยวข้องกับโมเมนต์แม่เหล็กเล็กๆ ซึ่งเรียกอีกอย่างว่า "สปิน" ในแม่เหล็กทั่วไป เช่นเดียวกับแม่เหล็กที่ติดตู้เย็น การหมุนทั้งหมดจะถูกสั่งให้ชี้ไปในทิศทางเดียวกัน ส่งผลให้เกิดสนามแม่เหล็กแรงสูง คำสั่งนี้เหมือนกับวิธีที่อะตอมสั่งวัสดุของแข็ง แต่เช่นเดียวกับที่สสารสามารถมีอยู่ในเฟสต่างๆ กัน เช่น ของแข็ง ของเหลว และก๊าซ สารแม่เหล็กก็เช่นกัน หน่วย TQM สนใจเฟสแม่เหล็กที่ผิดปกติมากกว่าที่เรียกว่า "ของเหลวหมุนวน" ซึ่งอาจใช้ในการคำนวณควอนตัม ในสปินของเหลว มีปฏิกิริยาที่แข่งขันกันหรือ "น่าผิดหวัง" ระหว่างสปิน ดังนั้นแทนที่จะสั่งการ สปินจะผันผวนในทิศทางอย่างต่อเนื่อง คล้ายกับความผิดปกติที่พบในเฟสของเหลวของสสาร ก่อนหน้านี้ หน่วย TQM ได้เริ่มดำเนินการเพื่อค้นหาว่าของเหลวปั่นแห้งชนิดใดที่สามารถมีอยู่ในแม่เหล็กไพโรคลอร์ที่ขุ่นมัวได้ พวกเขาสร้างไดอะแกรมเฟสซึ่งแสดงให้เห็นว่าเฟสต่างๆ สามารถเกิดขึ้นเมื่อการหมุนมีปฏิสัมพันธ์ในลักษณะต่างๆ กันได้อย่างไรเมื่ออุณหภูมิเปลี่ยนแปลง โดยผลการวิจัยของพวกเขาเผยแพร่ใน Physical Review X ในปี 2560 แต่การประกอบเฟสไดอะแกรมและการระบุกฎที่ควบคุมการโต้ตอบระหว่างสปินในแต่ละเฟสนั้นเป็นกระบวนการที่ยากลำบาก "แม่เหล็กเหล่านี้ค่อนข้างน่าหงุดหงิด" ศ. แชนนอนกล่าวติดตลก "แม้แต่แบบจำลองที่ง่ายที่สุดบนตาข่ายไพโรคลอร์ยังใช้เวลาหลายปีในการแก้ปัญหา" ใส่เครื่องจักร ด้วยความก้าวหน้าที่เพิ่มขึ้นในการเรียนรู้ของเครื่อง หน่วย TQM จึงสงสัยว่าเครื่องจักรจะสามารถแก้ปัญหาที่ซับซ้อนเช่นนี้ได้หรือไม่ "พูดตามตรง ฉันค่อนข้างมั่นใจว่าเครื่องจะพัง" ศ. แชนนอนกล่าว “นี่เป็นครั้งแรกที่ฉันตกใจกับผลการแข่งขัน ฉันเคยประหลาดใจ ฉันมีความสุข แต่ไม่เคยตกใจ” นักวิทยาศาสตร์ของ OIST ได้ร่วมมือกับผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงจากมหาวิทยาลัยมิวนิก นำโดยศาสตราจารย์ Lode Pollet ซึ่งได้พัฒนา "tensorial kernel" ซึ่งเป็นวิธีแสดงการกำหนดค่าสปินในคอมพิวเตอร์ นักวิทยาศาสตร์ใช้เคอร์เนลเทนเซอร์เพื่อติดตั้ง "เครื่องเวกเตอร์สนับสนุน" ซึ่งสามารถจัดหมวดหมู่ข้อมูลที่ซับซ้อนออกเป็นกลุ่มต่างๆ "ข้อดีของเครื่องประเภทนี้คือไม่เหมือนกับเครื่องเวกเตอร์สนับสนุนอื่นๆ ตรงที่ไม่ต้องมีการฝึกอบรมใดๆ มาก่อน และไม่ใช่กล่องดำ -- ผลลัพธ์สามารถตีความได้ ข้อมูลไม่ได้ถูกจำแนกออกเป็นกลุ่มเท่านั้น คุณ ยังสามารถซักถามเครื่องเพื่อดูว่ามีการตัดสินใจขั้นสุดท้ายอย่างไร และเรียนรู้เกี่ยวกับคุณสมบัติที่แตกต่างกันของแต่ละกลุ่ม" ดร. Ludovic Jaubert นักวิจัย CNRS จากมหาวิทยาลัยบอร์กโดซ์กล่าว นักวิทยาศาสตร์ในมิวนิกป้อนเครื่องนี้ถึงหนึ่งในสี่ของการกำหนดค่าการหมุนหนึ่งล้านรอบที่เกิดจากการจำลองแบบไพโรคลอร์ของซูเปอร์คอมพิวเตอร์ OIST หากไม่มีข้อมูลใดๆ เกี่ยวกับเฟสที่มีอยู่ เครื่องก็สามารถสร้างเฟสไดอะแกรมเวอร์ชันที่เหมือนกันได้สำเร็จ สิ่งสำคัญคือ เมื่อนักวิทยาศาสตร์ถอดรหัส "ฟังก์ชันการตัดสินใจ" ที่เครื่องสร้างขึ้นเพื่อจำแนกประเภทของสปินของเหลว พวกเขาพบว่าคอมพิวเตอร์ได้คำนวณสมการทางคณิตศาสตร์ที่แน่นอนโดยอิสระ ซึ่งแสดงตัวอย่างแต่ละเฟสด้วย โดยกระบวนการทั้งหมดใช้ ไม่กี่สัปดาห์ "เวลาส่วนใหญ่คือเวลาของมนุษย์ ดังนั้น การเพิ่มความเร็วจึงยังเป็นไปได้" ศ.โพลเล็ตกล่าว "จากสิ่งที่เรารู้ตอนนี้ เครื่องสามารถแก้ปัญหาได้ภายในหนึ่งวัน" "เรารู้สึกตื่นเต้นกับความสำเร็จของเครื่อง ซึ่งอาจมีผลอย่างมากต่อฟิสิกส์เชิงทฤษฎี" ศ. แชนนอนกล่าวเสริม "ขั้นตอนต่อไปคือการทำให้เครื่องจักรมีปัญหาที่ยากขึ้น ซึ่งมนุษย์ยังไม่สามารถแก้ไขได้ และดูว่าเครื่องจักรจะทำได้ดีกว่านี้หรือไม่"