زبان مشترک بین حباب‌های کف و هوش مصنوعی کشف شد

پژوهشگران دانشگاه پنسیلوانیا با شبیه‌سازی رایانه‌ای دریافتند که حباب‌های درون کف برخلاف باور دیرینه دانشمندان هرگز ساکن نمی‌شوند و به حرکت و بازچینش خود ادامه می‌دهند اما نکته شگفت‌انگیزتر تشابه ریاضی دقیق این حرکت با فرآیند یادگیری در سیستم‌های هوش مصنوعی است. این یافته حاکی از آن است که یادگیری ممکن است یک اصل سازمان‌دهنده گسترده در طبیعت، فناوری و perhaps حتی سیستم‌های زنده باشد.

کف ماده‌ای آشنا اما ناشناخته

به گزارش scitechdaily، کف‌ها در اشکال روزمره زیادی مانند کف صابون، کف ریش‌تراشی، خامه و امولسیون‌های غذایی مانند مایونز حضور دارند. برای دهه‌ها دانشمندان بر این باور بودند که این مواد مشابه شیشه رفتار می‌کنند؛ یعنی اجزای میکروسکوپی آنها در آرایشی نامنظم، اما بی‌حرکت قفل می‌شوند.
این فرضیه اکنون با چالشی اساسی مواجه شده است. مهندسان دانشگاه پنسیلوانیا کشف کرده‌اند که کف‌ها حتی در حالی که شکل بیرونی پایدار خود را حفظ می‌کنند در حالتی از حرکت درونی دائمی به سر می‌برند. از منظر ریاضی این حرکت پنهان به طرز چشمگیری شبیه به یادگیری عمیق است؛ رویکردی که معمولا برای آموزش سیستم‌های هوش مصنوعی مدرن استفاده می‌شود.

این کشف نشان می‌دهد که یادگیری اگر به عنوان یک فرآیند ریاضی در نظر گرفته شود ممکن است یک اصل مشترک در مواد فیزیکی، سیستم‌های زنده و مدل‌های محاسباتی باشد. همچنین راه‌های جدیدی برای طراحی موادی که بتوانند در طول زمان تطبیق پیدا کنند ارائه می‌دهد. افزون بر این این کار می‌تواند بینش‌هایی درباره ساختار‌های زیستی مانند اسکلت سلولی که باید پیوسته خود را بازسازی کنند، ارائه دهد.
حباب‌هایی که مدام بازآرایی می‌شوند.

در تحقیقات منتشر شده در نشریه معتبر Proceedings of the National Academy of Sciences این تیم با استفاده از شبیه‌سازی رایانه‌ای مسیر حباب‌های درون یک کف مرطوب را دنبال کردند. برخلاف انتظار حباب‌ها به جای تثبیت در موقعیت‌های ثابت به پرسه زدن در میان طیف وسیعی از آرایش‌های ممکن ادامه دادند.

از منظر ریاضی این رفتار به شدت شبیه نحوه عملکرد سیستم‌های یادگیری عمیق است. در طول فرآیند آموزش یک هوش مصنوعی به طور مکرر پارامتر‌های خود (اطلاعاتی که آنچه هوش مصنوعی می‌داند را کدگذاری می‌کنند) تنظیم می‌کند به جای آنکه در یک پیکربندی نهایی قفل شود.

"جان سی کروکر" استاد مهندسی شیمی و بیومولکولی و نویسنده ارشد مشترک این مقاله می‌گوید: کف‌ها مدام خود را بازسازی می‌کنند. این شگفت‌انگیز است که کف‌ها و سیستم‌های هوش مصنوعی مدرن ظاهراً از اصول ریاضی یکسانی پیروی می‌کنند. فهمیدن دلیل این اتفاق هنوز یک پرسش باز است، اما می‌تواند نحوه تفکر ما درباره مواد سازگارپذیر و حتی سیستم‌های زنده را دوباره شکل دهد.

چرا مدل‌های سنتی کف کم‌آورده‌اند؟

در مقیاسی که می‌بینیم و لمس می‌کنیم کف‌ها اغلب مانند جامدات رفتار می‌کنند: شکل خود را حفظ می‌کنند و اگر فشار داده شوند، می‌توانند به حالت اول برگردند. با این حال در مقیاس‌های بسیار کوچکتر کف‌ها به عنوان مواد دو فازی طبقه‌بندی می‌شوند؛ متشکل از حباب‌هایی که در یک زمینه مایع یا جامد معلق هستند.
از آنجا که تولید و مشاهده کف‌ها آسان است و در عین حال رفتار مکانیکی پیچیده‌ای را نمایش می‌دهند، دانشمندان مدتهاست از آنها به عنوان مدل‌های ساده‌شده برای مطالعه سایر سیستم‌های متراکم و پویا از جمله سلول‌های زنده، استفاده کرده‌اند.

نظریه‌های قدیمی‌تر حباب‌های کف را همچون اجسام سنگینی توصیف می‌کردند که در یک چشم‌انداز انرژی حرکت می‌کنند. در این تصویر حباب‌ها به سمت پایین به موقعیت‌هایی می‌غلطند که به انرژی کمتری نیاز دارند و سپس در آنجا باقی می‌مانند. این چارچوب به توضیح اینکه چرا کف‌ها پس از تشکیل پایدار به نظر می‌رسند (مانند تخته‌سنگی که در پایین یک دره قرار گرفته) کمک کرد.

یک معما دیرینه در فیزیک کف

بررسی دقیق‌تر داده‌های تجربی یک مشکل را آشکار کرد: رفتار واقعی کف‌ها با پیش‌بینی این نظریه‌ها مطابقت نداشت.

کروکر می‌گوید: وقتی در واقع به داده‌ها نگاه کردیم رفتار کف‌ها با چیزی که نظریه پیش‌بینی می‌کرد، مطابقت نداشت. ما تقریبا از ۲۰ سال پیش شروع به دیدن این ناهمخوانی‌ها کردیم اما آن زمان هنوز ابزار‌های ریاضی برای توصیف آنچه واقعا در حال رخ دادن بود را نداشتیم.

حل این تناقض نیاز به یک روش تفکر جدید داشت؛ روشی که بتواند سیستم‌هایی را توصیف کند که بدون آنکه هرگز در یک حالت ثابت و دائمی مستقر شوند به تغییر ادامه می‌دهند.

بینشی قرض‌گرفته‌شده از هوش مصنوعی

سیستم‌های هوش مصنوعی مدرن با تنظیم مداوم پارامتر‌های عددی در طول آموزش یاد می‌گیرند. روش‌های اولیه آموزش هدف را هدایت این سیستم‌ها به سمت یک راه‌حل بهینه واحد که کاملا با داده‌های آموزشیشان مطابقت داشته باشد قرار می‌دادند.

یادگیری عمیق بر تکنیک‌های بهینه‌سازی مرتبط با یک روش ریاضی به نام نزول گرادیان متکی است. این الگوریتم‌ها به طور مکرر سیستم را به سمت پیکربندی‌هایی هدایت می‌کنند که خطا را کاهش می‌دهند و گام به گام به سمت عملکرد بهتر حرکت می‌کنند. اگر یادگیری به صورت یک چشم‌انداز تجسم شود این فرآیند شبیه حرکت به سمت پایین به سوی راه‌حل‌های بهتر خواهد بود.

با گذشت زمان پژوهشگران دریافتند که وادار کردن سیستم‌ها به قرارگیری در عمیق‌ترین راه‌حل‌های ممکن مشکلاتی ایجاد می‌کند. مدل‌هایی که بیش از حد به داده‌های آموزشیشان برازش پیدا می‌کنند، اغلب در مواجهه با موقعیت‌های جدید مشکل دارند.

"رابرت ریگل‌من" استاد مهندسی شیمی و بیومولکولی و نویسنده ارشد مشترک این مطالعه می‌گوید: بینش کلیدی این بود که بفهمیم شما در واقع نمی‌خواهید سیستم را به عمیق‌ترین دره ممکن برانید. نگه داشتن آن در قسمت‌های مسطح‌تر چشم‌انداز جایی که بسیاری از راه‌حل‌ها تقریبا به یک خوبی عمل می‌کنند در واقع همان چیزی است که به این مدل‌ها امکان تعمیم‌پذیری می‌دهد.

کف و هوش مصنوعی ریاضیات یکسانی دارند

هنگامی که محققان پنسیلوانیا شبیه‌سازی‌های کف خود را با استفاده از این چارچوب دوباره تحلیل کردند تشابه به وضوح آشکار شد. حباب‌های کف در موقعیت‌های عمیق و پایدار مستقر نمی‌شوند. در عوض آنها در حرکت درون مناطقی وسیع باقی می‌مانند که در آن بسیاری از پیکربندی‌ها به یک اندازه امکان‌پذیر هستند.

این رفتار به شدت بازتاب‌دهنده نحوه یادگیری سیستم‌های هوش مصنوعی مدرن است. همان ریاضیاتی که توضیح می‌دهد چرا یادگیری عمیق موثر است، بازچینش مداومی را که درون کف رخ می‌دهد نیز توصیف می‌کند.

پیامد‌هایی برای مواد سازگارپذیر و زیست‌شناسی

این مطالعه بینش‌های جدیدی در زمینه‌ای ارائه می‌دهد که بسیاری پیش از این فکر می‌کردند به خوبی درک شده است. به چالش کشیدن این تفکر مرسوم شاید یکی از مهم‌ترین دستاورد‌های آن باشد.

با نشان دادن اینکه حباب‌های کف در حالت‌های شیشه‌مانند به دام نمی‌افتند بلکه به روشی مشابه الگوریتم‌های یادگیری حرکت می‌کنند این پژوهش دانشمندان را ترغیب می‌کند تا رفتار سایر سیستم‌های پیچیده را نیز تحت این لنز ریاضی مورد بازنگری قرار دهند.

تیم کروکر اکنون در حال بازبینی سیستمی است که علاقه او به کف‌ها را برانگیخت. اسکلت سلولی داربست میکروسکوپی درون سلول‌ها که حیات را ممکن می‌سازد. مانند کف اسکلت سلولی نیز باید ضمن حفظ ساختار کلی خود به طور مداوم خود را بازسازی کند.

کروکر در پایان می‌گوید: این پرسشی جذاب است که چرا ریاضیات یادگیری عمیق کف‌ها را به دقت توصیف می‌کند. این نشانه می‌دهد که این ابزار‌ها ممکن است کاربرد‌هایی فراتر از زمینه اصلی خود داشته باشند و در‌هایی را به سوی خطوط کاملا جدید تحقیق بگشایند.

انتهای پیام/