轉載從: Tech News 科技新報
過去幾年間，深度學習的進步已帶來許多嶄新的 AI 應用，但其中仍有許多侷限存在，為了推動相關技術發展，科學家打算更進一步讓人工神經網路向人類看齊：學習物理。
北卡羅萊納州立大學非線性 AI 實驗室（NAIL）研究人員發現，透過教導神經網路物理知識，可以讓它們更好適應環境中的混亂，未來或許還能改善從醫療診斷到無人駕駛的 AI 應用。
以目前來說，神經網路主要是使用大數據訓練，透過大量資訊調整數字權重和偏差，最小化實際輸出與期望值間的差異，直到答案更接近人所認為的現實情況，藉以模仿人類自然神經元進行判斷的行為。
然而這種訓練方式也有其缺點存在，也就是所謂的「混沌失明」（chaos blindness）：在某些時刻，AI 系統就是無法做出預測，或對系統中的混亂做出反應。
在《物理評論 E》（Physical Review E）的最新論文中，NAIL 研究人員或許已經找到解答。團隊發現，發現，哈密頓函數（Hamiltonian function）似乎能幫助神經網路解決這個盲點，在學習哈密頓函數後，神經網路開始能發現系統中的混亂並做出相應的調整。
但學習哈密頓函數對神經網路來說究竟有什麼區別？
試著想像一個擺動的鐘擺，隨著時間推移在空間中來回移動。如果只是在擺動過程中拍下一張照片，照片並無法告訴你鐘擺在弧形中的哪個位置或前進方向，而這正是過去神經網路在做決定時所面臨的難題。
相較之下，由於哈密頓函數解釋了動態物理系統的完整資訊，包含動能、位能在內所有能量的總量，熟悉哈密頓函數的神經網路將能掌握更多資訊：鐘擺在哪裡、可能移動的位置及運動所涉及的能量。
在概念驗證項目中，NAIL 團隊將哈密頓結構納入神經網路中，再將其應用於用來計算恆星和分子動力學的 Hénon-Heiles 模型，結果顯示，即使系統在有序和混沌之間移動，學習了哈密頓結構的神經網路並沒有陷入盲目，能夠符合需求準確預測。
NAIL 客座研究員、伍斯特學院物理學教授 John Lindner 形容，哈密頓函數就像一種「特殊調味料」，賦予神經網路學習秩序與混亂的能力，有了哈密頓函數，神經網路現在能以一種過去無法做到的方式理解潛在的動力學。
「這是讓神經網路精通物理學的第一步，可以幫助我們解決許多難題」。
（首圖來源：shutterstock）