對神經(jīng)網(wǎng)絡(luò)進行物理教學(xué)，可助人工智能消除混沌盲目性

“混沌”，英文：Chaos，指混亂而沒有秩序的狀態(tài)?！盎煦缑つ啃浴保⑽模篊haos Blindness，也稱為：混亂失明，指神經(jīng)網(wǎng)絡(luò)對這種混亂狀態(tài)的認(rèn)知的一種失明或盲目性。對于現(xiàn)在的人工智能神經(jīng)網(wǎng)絡(luò)，其認(rèn)知水平與人的神經(jīng)網(wǎng)絡(luò)的認(rèn)知智能還相差很遠(yuǎn)，常常無法預(yù)測或響應(yīng)系統(tǒng)中的混沌狀態(tài)。

我們大腦的神經(jīng)網(wǎng)絡(luò)是我們之所以具有智能行為的基本形態(tài)方式。我們的自然腦神經(jīng)細(xì)胞根據(jù)其連接強度交換電脈沖。人工神經(jīng)網(wǎng)絡(luò)模擬人的神經(jīng)網(wǎng)絡(luò)，通過在訓(xùn)練過程中調(diào)整數(shù)值權(quán)重和偏差，以最小化其實際輸出與期望輸出之間的差異來模仿此行為。例如，可以訓(xùn)練人工智能神經(jīng)網(wǎng)絡(luò)通過一些方法來識別狗：篩查大量狗的照片、猜測照片是否屬于狗、看它離是狗的結(jié)論有多遠(yuǎn)、調(diào)整其權(quán)重和偏差，直到它們更接近現(xiàn)實地辨認(rèn)出來確實是狗為止。

如何才能讓人工智能神經(jīng)網(wǎng)絡(luò)預(yù)測或響應(yīng)系統(tǒng)中的混沌狀態(tài)，這對于從改善從醫(yī)療診斷、到無人自動駕駛等的人工智能的應(yīng)用具有重要意義。

現(xiàn)在，北卡羅萊納州立大學(xué)非線性人工智能實驗室（Nonlinear Artificial Intelligence Laboratory，簡稱：NAIL）的科學(xué)家發(fā)現(xiàn)，對神經(jīng)網(wǎng)絡(luò)進行物理教學(xué)可以使這些網(wǎng)絡(luò)更好地適應(yīng)其環(huán)境中的混亂情況，將可以改善從醫(yī)療診斷、到無人自動駕駛等的人工智能應(yīng)用。

研究人員通過將物理學(xué)中的漢密爾頓函數(shù)引入人工智能神經(jīng)網(wǎng)絡(luò)，可以更好地使其“看到”系統(tǒng)中的混亂并做出相應(yīng)的調(diào)整。哈密頓函數(shù)，英文：Hamiltonian function，簡單來講，體現(xiàn)了有關(guān)物理系統(tǒng)動態(tài)的完整信息，即存在的所有能量，動能和勢能的總量。

舉例來講，一個擺動的擺錘，它隨著時間在空間中來回移動。如果只是觀察該擺的每一刻的運動，無法告訴您擺錘在擺動將在弧度的哪里或下一步在哪里。常規(guī)的神經(jīng)網(wǎng)絡(luò)是這樣從擺的快照中進行操作。然而熟悉哈密頓向量場的神經(jīng)網(wǎng)絡(luò)，會全面了解擺的整個運動，即擺在哪里、將擺在哪里、或可能擺在哪里、以及擺在其中的能量。

在數(shù)學(xué)與物理中，哈密頓向量場是辛流形上一個向量場，定義在任何能量函數(shù)或哈密頓函數(shù)上。如圖所示哈密頓向量場，也稱哈密頓流（Hamiltonian flow ）所表示的如甜甜圈狀的圓環(huán)，彩虹色代表第四維度。

為了驗證這個概念想法，該研究團隊將哈密頓結(jié)構(gòu)納入神經(jīng)網(wǎng)絡(luò)應(yīng)用于已知的恒星和分子動力學(xué)模型Hénon-Heiles模型，哈密頓神經(jīng)網(wǎng)絡(luò)準(zhǔn)確地預(yù)測了系統(tǒng)的動力學(xué)機理，即使是系統(tǒng)在有序和混沌之間移動的情況下。

Hénon-Heiles模型，譯為：希農(nóng)-海爾斯模型，是1962年法國數(shù)學(xué)家、天文學(xué)家米歇爾·希農(nóng)（Michel Hénon）和美國天體物理學(xué)家卡爾·海爾斯（Carl Heiles）在研究恒星繞銀河系中心時所提出的非線性運動模型。他們采用簡化的二維非線性軸對稱電勢，發(fā)現(xiàn)稱為混沌軌道的不具有運動的第三積分的初始條件。

研究人員說：“哈密頓量實際上是賦予神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)秩序和混亂的能力的‘特殊調(diào)味品’或‘聰明藥’。 “有了哈密頓量，神經(jīng)網(wǎng)絡(luò)以一種常規(guī)網(wǎng)絡(luò)無法認(rèn)知的方式來理解潛在的動力學(xué)，這是邁向現(xiàn)代物理學(xué)的神經(jīng)網(wǎng)絡(luò)的第一步，可以幫助我們解決許多難題。”

該最新研究成果論文發(fā)表在最近的《物理評論E》上。