Inteligência Artificial Descobre Física Alternativa

Roboticistas de engenharia da Columbia descobrem física alternativa

Embeddings latentes de nossa estrutura colorida por variáveis ​​de estado físico. Crédito: Boyuan Chen/Columbia Engineering

Uma nova[{” attribute=””>Columbia University AI program observed physical phenomena and uncovered relevant variables—a necessary precursor to any physics theory. But the variables it discovered were unexpected.

Energy, Mass, Velocity. These three variables make up Einstein’s iconic equation E=MC2. But how did Albert Einstein know about these concepts in the first place? Before understanding physics you need to identify relevant variables. Not even Einstein could discover relativity without the concepts of energy, mass, and velocity. But can variables like these be discovered automatically? Doing so would greatly accelerate scientific discovery.

This is the question that Columbia Engineering researchers posed to a new artificial intelligence program. The AI program was designed to observe physical phenomena through a video camera and then try to search for the minimal set of fundamental variables that fully describe the observed dynamics. The study was published in the journal Nature Computational Science on July 25.


A imagem mostra um sistema dinâmico caótico de swing stick em movimento. Nosso trabalho visa identificar e extrair o número mínimo de variáveis ​​de estado necessárias para descrever esse sistema diretamente de imagens de vídeo de alta dimensão. Crédito: Yinuo Qin/Columbia Engineering

Os cientistas começaram alimentando o sistema com vídeos brutos de fenômenos físicos para os quais eles já conheciam a solução. Por exemplo, eles alimentaram um vídeo de um pêndulo duplo oscilante conhecido por ter exatamente quatro “variáveis ​​de estado” – o ângulo e a velocidade angular de cada um dos dois braços. Após várias horas de análise, a IA deu sua resposta: 4.7.

“Achamos que essa resposta estava próxima o suficiente”, disse Hod Lipson, diretor do Laboratório de Máquinas Criativas do Departamento de Engenharia Mecânica, onde o trabalho foi feito principalmente. “Especialmente porque tudo o que a IA tinha acesso eram imagens de vídeo brutas, sem nenhum conhecimento de física ou geometria. Mas queríamos saber quais eram realmente as variáveis, não apenas seu número.”

Em seguida, os pesquisadores passaram a visualizar as variáveis ​​reais que o programa identificou. Extrair as próprias variáveis ​​foi difícil porque o programa não pode descrevê-las de forma intuitiva que seria compreensível para humanos. Após alguma investigação, parecia que duas das variáveis ​​escolhidas pelo programa correspondiam vagamente aos ângulos dos braços, mas as outras duas permanecem um mistério.

“Tentamos correlacionar as outras variáveis ​​com tudo e qualquer coisa que pudéssemos pensar: velocidades angulares e lineares, energia cinética e potencial e várias combinações de quantidades conhecidas”, explicou Boyuan Chen PhD ’22, agora professor assistente na Duke University, que liderou o trabalho. “Mas nada parecia combinar perfeitamente.” A equipe estava confiante de que a IA havia encontrado um conjunto válido de quatro variáveis, pois estava fazendo boas previsões, “mas ainda não entendemos a linguagem matemática que está falando”, explicou.


Boyuan Chen explica como um novo programa de IA observou fenômenos físicos e descobriu variáveis ​​relevantes – um precursor necessário para qualquer teoria da física. Crédito: Boyuan Chen/Columbia Engineering

Depois de validar vários outros sistemas físicos com soluções conhecidas, os cientistas inseriram vídeos de sistemas para os quais não sabiam a resposta explícita. Um desses vídeos mostrava um “dançarino do ar” ondulando na frente de um estacionamento local de carros usados. Após várias horas de análise, o programa retornou 8 variáveis. Da mesma forma, um vídeo de uma lâmpada Lava também produziu 8 oito variáveis. Quando eles forneceram um videoclipe de chamas de um loop de lareira de férias, o programa retornou 24 variáveis.

Uma questão particularmente interessante era se o conjunto de variáveis ​​era único para cada sistema ou se um conjunto diferente era produzido cada vez que o programa era reiniciado. “Sempre me perguntei, se algum dia conhecêssemos uma raça alienígena inteligente, eles teriam descoberto as mesmas leis da física que nós, ou poderiam descrever o universo de uma maneira diferente?” disse Lipson. “Talvez alguns fenômenos pareçam enigmaticamente complexos porque estamos tentando entendê-los usando o conjunto errado de variáveis.”

Nos experimentos, o número de variáveis ​​era o mesmo toda vez que a IA era reiniciada, mas as variáveis ​​específicas eram diferentes a cada vez. Então, sim, existem de fato maneiras alternativas de descrever o universo e é bem possível que nossas escolhas não sejam perfeitas.

Segundo os pesquisadores, esse tipo de IA pode ajudar os cientistas a descobrir fenômenos complexos para os quais a compreensão teórica não está acompanhando o dilúvio de dados – áreas que vão da biologia à cosmologia. “Embora tenhamos usado dados de vídeo neste trabalho, qualquer tipo de fonte de dados de matriz pode ser usada – matrizes de radar ou[{” attribute=””>DNA arrays, for example,” explained Kuang Huang PhD ’22, who coauthored the paper.

The work is part of Lipson and Fu Foundation Professor of Mathematics Qiang Du’s decades-long interest in creating algorithms that can distill data into scientific laws. Past software systems, such as Lipson and Michael Schmidt’s Eureqa software, could distill freeform physical laws from experimental data, but only if the variables were identified in advance. But what if the variables are yet unknown?


Hod Lipson explica como o programa de IA conseguiu descobrir novas variáveis ​​físicas. Crédito: Hod Lipson/Columbia Engineering

Lipson, que também é o James and Sally Scapa Professor of Innovation, argumenta que os cientistas podem estar interpretando mal ou falhando em entender muitos fenômenos simplesmente porque eles não têm um bom conjunto de variáveis ​​para descrever os fenômenos. “Por milênios, as pessoas sabiam sobre objetos se movendo rápida ou lentamente, mas foi somente quando a noção de velocidade e aceleração foi formalmente quantificada que Newton pôde descobrir sua famosa lei do movimento F = MA”, observou Lipson. As variáveis ​​que descrevem a temperatura e a pressão precisavam ser identificadas antes que as leis da termodinâmica pudessem ser formalizadas, e assim por diante para todos os cantos do mundo científico. As variáveis ​​são precursoras de qualquer teoria. “Que outras leis estamos perdendo simplesmente porque não temos as variáveis?” perguntou Du, que co-liderou o trabalho.

O artigo também foi co-autor de Sunand Raghupathi e Ishaan Chandratreya, que ajudaram a coletar os dados para os experimentos. Desde 1º de julho de 2022, Boyuan Chen é professor assistente na Duke University. A obra faz parte de uma articulação[{” attribute=””>University of Washington, Columbia, and Harvard NSF AI institute for dynamical systems, aimed to accelerate scientific discovery using AI.

Reference: “Automated discovery of fundamental variables hidden in experimental data” by Boyuan Chen, Kuang Huang, Sunand Raghupathi, Ishaan Chandratreya, Qiang Du and Hod Lipson, 25 July 2022, Nature Computational Science.
DOI: 10.1038/s43588-022-00281-6

Leave a Comment