شاهین آقامعلی
پژوهشگران دانشگاه Duke موفق به توسعهی یک چارچوب نوین هوش مصنوعی شدهاند که میتواند قوانین ریاضی ساده و قابلفهم را از دل سیستمهای بسیار پیچیده و پویا استخراج کند. این دستاورد که در تاریخ ۱۷ دسامبر در مجله علمی npj Complexity منتشر شده، گامی مهم در مسیر استفاده از هوش مصنوعی برای درک عمیقتر پدیدههای طبیعی، فناوریهای مدرن و سامانههای زیستی به شمار میرود.
این سیستم هوشمند با الهام از علم «دینامیک سیستمها» طراحی شده است؛ شاخهای از علم که به بررسی رفتار سامانههایی میپردازد که در طول زمان تغییر میکنند. همانطور که ایزاک نیوتن با فرمولبندی رابطهی میان نیرو و حرکت، بنیان علم دینامیک را بنا نهاد، این هوش مصنوعی نیز با تحلیل دادههای زمانی (Time-Series Data)، معادلاتی تولید میکند که رفتار سیستمهای پیچیده را با دقت بالا توصیف میکنند.
کاهش پیچیدگی با حفظ معنا
ویژگی منحصربهفرد این چارچوب آن است که میتواند سیستمهای غیرخطی با صدها یا حتی هزاران متغیر درهمتنیده را به مدلهایی بسیار سادهتر با ابعاد کمتر کاهش دهد؛ بدون آنکه دقت پیشبینی یا اعتبار علمی مدل از بین برود. این موضوع برای دانشمندان اهمیت زیادی دارد، زیرا مدلهای سادهتر هم قابلتفسیرتر هستند و هم میتوان آنها را بهراحتی با نظریههای علمی موجود ترکیب کرد. به گفتهی Boyuan Chen، استاد مهندسی مکانیک و مدیر آزمایشگاه رباتیک عمومی Duke، علم همواره بر پایهی سادهسازی فرآیندهای پیچیده بنا شده است. امروزه حجم عظیمی از دادهها در دسترس است، اما ابزارهای کافی برای تبدیل این دادهها به قوانین علمی شفاف وجود ندارد. این هوش مصنوعی دقیقاً برای پر کردن همین شکاف طراحی شده است.
الهام از نظریه کوپمن
پایهی ریاضی این سیستم به نظریهای بازمیگردد که توسط Bernard Koopman در دهه ۱۹۳۰ ارائه شد. طبق این نظریه، حتی سیستمهای غیرخطی بسیار پیچیده نیز میتوانند در قالب مدلهای خطی نمایش داده شوند. مشکل اصلی این روش در گذشته، نیاز به تعداد بسیار زیادی معادله بود که تحلیل آنها برای انسان تقریباً غیرممکن میشد. هوش مصنوعی جدید Duke این مانع را برطرف کرده است.
آزمایش روی سیستمهای واقعی
پژوهشگران این مدل را روی سیستمهای مختلفی آزمایش کردند؛ از حرکت آونگ ساده گرفته تا مدارهای الکتریکی غیرخطی، مدلهای اقلیمی و شبکههای عصبی زیستی. در تمامی این موارد، هوش مصنوعی توانست تعداد کمی «متغیر پنهان کلیدی» را شناسایی کند که رفتار کل سیستم را کنترل میکردند. جالبتر اینکه مدلهای نهایی در برخی موارد بیش از ۱۰ برابر کوچکتر از مدلهای یادگیری ماشین رایج بودند، در حالی که پیشبینیهای بلندمدت دقیقی ارائه میدادند.
شناسایی نقاط پایدار و هشدارهای بحرانی
این چارچوب تنها برای پیشبینی طراحی نشده است، بلکه میتواند حالتهای پایدار سیستم (Attractors) را نیز شناسایی کند؛ نقاطی که سیستم بهطور طبیعی به آنها گرایش دارد. این قابلیت برای تشخیص عملکرد نرمال، انحراف تدریجی یا نزدیک شدن به ناپایداری و بحران، اهمیت حیاتی دارد.
گامی به سوی «دانشمندان ماشینی»
هدف نهایی این پروژه، توسعهی آنچه پژوهشگران «Machine Scientists» یا دانشمندان ماشینی مینامند، است؛ سامانههایی که نهتنها الگوها را تشخیص میدهند، بلکه به کشف قوانین بنیادی طبیعت کمک میکنند. با پیوند دادن هوش مصنوعی مدرن به زبان ریاضی دینامیک سیستمها، این پژوهش افق تازهای را در علم داده، فیزیک، زیستشناسی و مهندسی باز میکند.
منبع خبر: sciencedaily
پاسخ :