当前位置:首页>家电维修>榨汁机>

e1榨汁机故障怎么解决(料理机榨果汁显示e1怎么回事)

e1榨汁机故障怎么解决(料理机榨果汁显示e1怎么回事)

更新时间:2022-01-21 07:40:20

研究人员给神经网络输入了在地球上观测的火星和太阳运动的数据。由于运算量并不大,大约只花了一天的时间,人工智能就准确得出了和哥白尼一样的结论。

采访&撰文 | 金斯基

编辑 | 小赛

文艺复兴时期,哥白尼提出了“日心说”;五百年后的现代欧洲,人工智能重新发现了以太阳为中心的太阳系模型。此次复现“人类史上最重要科学范式转变”的人工智能,由苏黎世理工大学理论物理学教授雷纳托·雷内尔(Renato Renner)领导的实验团队研发。相关论文于2019年10月被《物理评论快报》(Physical Review Letters)接收。

从经典物理到量子物理

人类探索自然世界的历史渊源流长,从古希腊前苏格拉底时期到二十一世纪,一批批优秀的思想家、科学家从未停止脚步。上至最宏观的广袤宇宙,下至最微观的极小粒子,他们试图用简洁的数学公式总结归纳出“万物之理”。

量子力学,作为现代物理学的一大基本支柱,能够精确描述物理系统的基本过程。这个理论能否普遍使用呢?2018年雷内尔在《自然·通讯》杂志上发表过一篇论文,他和同事升级了匈牙利物理学家尤金·维格纳(Eugene Wigner)在1961年提出的“维格纳的朋友”思想实验。他们经过分析发现,将量子力学理论应用到更大、更复杂的宏观环境中时,所得出的结论会与理论本身自相矛盾。

维格纳的朋友

维格纳的实验室里有一只“薛定谔的猫”,处在“死”和“活”的叠加态。当维格纳的朋友对“猫”进行测量时,根据量子力学,他将得到两种可能结果之一:要么死,要么活。

现在,维格纳将自己关在实验室的外面,他知道实验室里的朋友将在某个时刻对“猫”进行测量。如果将整个实验室视为一个物理系统,那么实验室系统所处的状态就是“猫死,朋友测得死猫”和“猫活,朋友测得活猫”的线性叠加态。

当维格纳询问朋友测量结果时,他就知道了实验室所处的状态。因此,只有当他知道朋友的测量结果时,实验室系统的叠加态才坍缩。但是,从他朋友的角度来看,测量结果早在维格纳询问他之前就确定了,实验室系统的状态早已经坍缩。

于是问题来了,叠加态的坍缩究竟是何时发生的?

这其实也是量子力学长久以来一直面临的发展瓶颈。精通物理学发展史的雷纳尔有一个大胆而坚定的设想,也许当前的量子力学理论是一种正确的描述,但可能不是唯一的基本描述,从某种程度上来说更是一种历史传承下来的人为现象——试想一下那些物理天才们千奇百怪的思想实验吧。所以推翻一切重新来是一条尝试途径,也许能够从中发现完全不同,却更简洁、更适合用来描述宏观世界的理论。

但是,谁来承担这个重新发现的任务呢?三年前在加拿大举办的一场量子力学学术会议结束之后,包括雷纳尔在内的物理学家们精疲力竭,相约去酒吧小酌一番,却仍念念不忘讨论学术内容。就在讨论之际,雷纳尔突然想到,为什么不用机器学习试一试呢?

像经典物理学家一样思考

作为理论物理学家的雷纳尔还拥有计算机科学的博士头衔,他很快集结了一支由优秀的研究生、博士生和资深科学家组成的五人团队。这个团队运用时下最流行的神经网络算法和机器学习技术,开始设计自己的人工智能系统,也就是后来的SciNet。

他们研发的神经网络结构,正是模仿了经典物理学家的思考过程:化繁为简。

科学家们观测自然,展开实验,收集各类数据,然后找出其中的逻辑关系,最后用最简单的数学方程式展现。而SciNet的神经网络可分为两个部分,第一部分是输入各种实验和观测数据,然后如同榨汁机一般,不断提取、精炼、简化再简化成相关的参数,这和传统的神经网络一样。第二部分的任务则是从精简的信息中总结出最简数学公式,雷纳尔将其类比为写满物理公式的教科书。

人工智能·哥白尼的“日心说”

设计好神经网络结构之后,研究团队需要对其进行测试。他们测试了四个案例:阻尼摆,角动量守恒,量子比特表征以及太阳系的日心说模型。在测试阶段,他们使用的是已知的物理案例,以便验证算法的正确性。作为原理性证明的研究,团队并不需要海量的数据集,他们只需证明自己的神经网络可以复现简单案例。

在这几个案例中,“日心说”的历史最为人熟知且津津乐道。16世纪的哥白尼测量了相对于遥远的恒星,地球、太阳和火星三者之间的相互角度关系,从而提出了“日心说”的大胆假设。相比复杂不堪的“地心说”,新模型更加简洁,能够解释并预测行星运动,从而开启了现代天文学研究的新篇章。

仿照这一段历史故事,研究人员给神经网络输入了在地球上观测的火星和太阳运动的数据。由于运算量并不大,雷内尔记得大约只花了一天的时间,人工智能就准确得出了和哥白尼一样的结论。

SciNet初长成

能够给出经典物理学理论的SciNet,仅仅是雷内尔团队研究的第一步。经过两年研发,这套系统由于运算量并不大,目前还只是运行在台式电脑上。日后如果进行更加复杂、数据量更加庞大的运算,就需要更强劲的计算能力、规模和更加复杂的神经网络结构。

除此之外,雷内尔还指出,现有的神经网络结构有其功能局限性,如果只是用该网络来进行预测,它的错误率极低,但它无法给出解释。换言之,你可以提问,输入数据,它会给出答案,但是你却无法知道如何得出这样的答案,为什么会是这样的答案。雷内尔解释说,这就好比学骑自行车,我们能够很快地学会正确骑车姿势,但是大部分人其实并不理解我们究竟是怎么学会的。因此,SciNet要成长,还有漫长的学习道路要走。

量子研究的新助手

完成SciNet初步研发的团队内心欣喜,接下来他们希望能够将算法运用到量子力学理论研究中。他们希望人工智能能够给出新的方程,提供不同的研究思路,甚至将来有一天,不仅仅只是分析人工输入的数据,而是能够自己设计实验,收集数据,和人类科学家一起合作,成为名副其实的“AI助理研究员”。

梦想总是美好的,但是要实现并非易事。雷内尔提到,如果借助人工智能算法研究量子力学,首先要解决的就是著名的测量问题。因此,他们需要教会神经网络去决定自己想要测量什么。目前的神经网络还处在被动状态,全盘接受人类灌输的各类数据,化被动接受为主动研究是研究人员继续努力的目标。

雷内尔对人工智能和量子力学的近未来发展持积极态度。他预计十几年之后,人工智能的自主研究能够给人类科学家提供新鲜的研究视角和观点。不过与此同时,人类科学家也要谨慎评估和审查人工智能给出的科学观点,判断其中的研究价值和意义。

“我们可以说,在棋类游戏的对弈中,人类败给了人工智能。但是从另一角度说,人工智能也提供了我们人类没想到的下棋思路和策略,完全值得我们去学习。两者之间并非竞争关系,而是相辅相成、相互成长的关系。计算机从帮助物理学家完成复杂计算开始,到未来可能展开独立研究,既是有效的工具,更是亲密的合作伙伴。”雷内尔这样总结。

小赛:再不努力科研,连“助理研究员”的位子都要被AI给抢了!

参考资料

[1] https://journals.aps.org/prl/accepted/9e07eY09T2e1fd7f88ae46166090ef41fa6ad4c34

(arxiv:1807.10300)

[2] https://www.nature.com/articles/s41467-018-05739-8

[3] https://www.nature.com/articles/d41586-018-06749-8

[4] https://www.nature.com/articles/d41586-019-03332-7

,