一个不认识牛顿的AI，绕开所有物理定律，从数据到数据就能预测行星轨道！【新智元导读】机器学习可否

文章图片
【新智元导读】机器学习可否「绕开」物理规律，直接从数据给出精确的预测呢？一个最新开发的机器学习算法，能由数据直接输出结果，绕开了牛顿定律，准确预测了太阳系在行星轨道中的位置。有件事，可能会让牛顿很「头疼」。 17世纪初，在开普勒对大量精密观察的天体轨道数据进行分析后，得出著名的开普勒定律；

文章图片
此后，牛顿用其运动定律万有引力中证明了开普勒定律，又是78年后的事儿了。不过，后来的爱因斯坦又以相对论解释了水星近日点异常的进动之后，天文家了解到牛顿力学的准确度依然不够。但无论怎么说，牛顿解法的地位仍难以撼动，因为它简便又精度高，仍是计算行星轨道的主流。

文章图片
近日，美国能源部的普林斯顿等离子体物理实验室(PPPL)设计出了一个机器学习算法。「绕」过了牛顿，中间没使用任何物理定律！黑匣子「取代」牛顿物理理论这是一种物理学中离散场理论的机器学习和服务方法，包括学习算法和服务算法。该算法的开发者为秦宏，他是著名的近代物理系教授，也曾为中科大核学院的执行院长。

文章图片
「在物理学中，通常你会进行观测，根据观测结果创建一个理论，然后用这个理论来预测新的观测结果，」秦宏说，「我所做的是用一种黑匣子来代替这个过程，它可以在不使用传统理论或规律的情况下产生准确的预测。」让我们把时间倒回到1601年，开普勒继承了他的导师第谷·布拉赫（TychoBrahe）精心收集的行星轨道的观测数据。开普勒用了5年的时间发现了他的行星运动的第一定律和第二定律。牛顿用其运动定律和万有引力解决了开普勒问题又花了78年。

文章图片
现在，假设我们站到了与开普勒同期的历史节点，有一组类似于开普勒的数据。学习算法从时空网格上的一组观测数据中训练出离散场论，服务算法利用学习到的离散场论预测新的边界和初始条件下的场的观测数据。如下图所示，为简单起见，这些数据是根据万有引力定律通过求解牛顿在太阳引力场中的行星运动方程而生成的水星，金星，地球，火星，谷神星和木星的轨道：

文章图片
将水这些轨道观测数据输入了程序。然后，该程序与「服务算法」一起运行，结果竟是惊人的准确：

文章图片
其中，红色标记指示的轨道是通过学习的离散场理论生成的，绿色标记所指示的轨道是来自上图的训练轨道。可以看出，在学习了极少的训练例子后， AI似乎就能学会行星运动的规律。换句话说，他的代码真的是在「学习」物理规律。为了丰富实验内容，研究人员又对从水星轨道的近日点发起的轨道进行了类似的研究。

文章图片
在这里，轨道e0是地球轨道；椭圆形的e1、e2是以不同的初始速度从地球近日点发起的轨道。轨道p是抛物线的逃避轨道，轨道h是双曲线的逃避轨道。结果显示：

文章图片
红色标记是受过训练的离散场理论的预测，蓝色标记是根据牛顿运动定律和万有引力定律的解决方案。再以谷神星轨道为数据，并减少训练的数据来演示。同样地，红色标记是受过训练的离散场理论的预测，蓝色标记是根据牛顿运动定律和万有引力定律的解决方案。

文章图片
值得注意的是，即使训练轨道都是椭圆形的，离散场理论也能正确预测抛物线和双曲线的逃逸轨道。所开发的算法对于物理控制定律的变化具有鲁棒性，因为该方法除了控制定律是场论的基本假设外，不需要任何物理定律知识。数据驱动方法论最近在物理学界引起了很多关注。这不足为奇，因为物理学的基本目标之一是从观测数据推论或发现物理学定律。人工智能技术的飞速发展引发了这样的问题，即这种推论或发现是否可以通过算法实现。相关论文发表在ScientificReports上。