Uma rede neural descobriu a heliocentricidade de Copérnico por conta própria
As redes neurais podem ajudar os cientistas a descobrir leis sobre fenômenos mais complexos, como a mecânica quântica?

- Os cientistas treinaram uma rede neural para prever os movimentos de Marte e do Sol.
- No processo, a rede gerou fórmulas que colocam o Sol no centro de nosso sistema solar.
- O caso sugere que as técnicas de aprendizado de máquina podem ajudar a revelar novas leis da física.
Uma rede neural foi capaz de redescobrir uma das mudanças de paradigma mais importantes da história científica: a Terra e outros planetas giram em torno do sol. A realização sugere que técnicas de aprendizado de máquina poderiam algum dia ajudar a revelar novas leis da física, talvez até mesmo dentro do complexo domínio da mecânica quântica.
Os resultados são configurados para aparecer no jornal Cartas de revisão física, de acordo com Natureza .
A rede neural - um algoritmo de aprendizado de máquina chamado SciNet - foi mostrado medições de como o Sol e Marte aparecem da Terra contra o fundo de estrela fixa do céu noturno. A tarefa da SciNet, atribuída por uma equipe de cientistas do Instituto Federal de Tecnologia da Suíça, era prever onde o Sol e Marte estariam em momentos futuros.
Fórmulas ao estilo de Copérnico
No processo, o SciNet gerou fórmulas que colocam o Sol no centro de nosso sistema solar. Notavelmente, a SciNet realizou isso de uma forma semelhante à forma como o astrônomo Nicolaus Copernicus descobriu a heliocentricidade.
'No século 16, Copérnico mediu os ângulos entre uma estrela fixa distante e vários planetas e corpos celestes e hipotetizou que o Sol, e não a Terra, está no centro de nosso sistema solar e que os planetas se movem ao redor do Sol de forma simples órbitas ', escreveu a equipe em um artigo publicado no repositório de pré-impressão arXiv. 'Isso explica as órbitas complicadas vistas da Terra.'
A equipe 'encorajou' a SciNet a encontrar maneiras de prever os movimentos do Sol e de Marte em da maneira mais simples possível. Para fazer isso, o SciNet passa informações entre duas sub-redes. Uma rede 'aprende' com os dados e a outra usa esse conhecimento para fazer previsões e testar sua precisão. Essas redes são conectadas entre si por apenas alguns links, portanto, quando se comunicam, as informações são compactadas, resultando em representações 'mais simples'.

Renner et al.
A SciNet decidiu que a maneira mais simples de prever os movimentos dos corpos celestes era por meio de um modelo que colocava o Sol no centro do nosso sistema solar. Portanto, a rede neural não necessariamente 'descobriu' a heliocentricidade, mas a descreveu por meio de matemática que os humanos podem interpretar.
Construindo IA humana
Em 2017, o cientista de dados Brenden Lake e seus colegas escreveram um artigo descrevendo o que será necessário para construir máquinas que aprendem e pensam como pessoas. Uma referência para fazer isso seria a inteligência artificial que pode descrever o mundo físico. Na época, eles disseram que 'resta saber' se 'redes profundas treinadas em dados relacionados à física' poderiam descobrir as leis da física por conta própria. Em um sentido restrito, SciNet passa neste teste.
“Para resumir, o objetivo principal deste trabalho é mostrar que as redes neurais podem ser usadas para descobrir conceitos físicos sem qualquer conhecimento prévio”, escreveu a equipe do SciNet. “Para atingir esse objetivo, introduzimos uma arquitetura de rede neural que modela o processo de raciocínio físico. Os exemplos ilustram que esta arquitetura nos permite extrair dados fisicamente relevantes de experimentos, sem impor maiores conhecimentos sobre física ou matemática. '
Compartilhar: