Ερευνητές από τα πανεπιστήμια Tsinghua και Peking στην Κίνα ανέπτυξαν ένα νέο AI πλαίσιο, το PhyE2E, το οποίο μπορεί να παράγει αυτόματα συμβολικές αναπαραστάσεις φυσικών δεδομένων από ακατέργαστες μετρήσεις.
Σύμφωνα με τον Yuan Zhou, συν-συγγραφέα της μελέτης που δημοσιεύτηκε στο Nature Machine Intelligence, στόχος ήταν «να προχωρήσουμε την AI πέρα από την απλή προσαρμογή καμπυλών και προς ανακαλύψεις κατανοητές από ανθρώπους: να επιστρέφει συνοπτικές, συνεπείς ως προς τις μονάδες εξισώσεις που οι επιστήμονες μπορούν να διαβάσουν, να δοκιμάσουν και να αξιοποιήσουν».
Σύστημα που αναπαριστά συμβολικά τα δεδομένα φυσικής
Το PhyE2E εκπαιδεύτηκε σε φυσικά δεδομένα και υπάρχουσες φυσικές εξισώσεις, μαθαίνοντας να αναγνωρίζει ποιες μορφές τύπων είναι πιθανές. Το σύστημα χρησιμοποιεί μετασχηματιστές (transformers) για να μετατρέπει δεδομένα απευθείας σε συμβολική έκφραση και τις μονάδες τους, εφαρμόζει διαχωρισμό-και-κατάκτηση (divide-and-conquer) για να απλοποιεί πολύπλοκα προβλήματα σε μικρότερα υποπροβλήματα και ενσωματώνει βελτιώσεις μέσω MCTS/GP για καθαρισμό σταθερών και δομής. Το αποτέλεσμα είναι μια συνοπτική, ερμηνεύσιμη και διαστατικά συνεπή εξίσωση.
Εφαρμογές σε αστροφυσικά δεδομένα
Το πλαίσιο δοκιμάστηκε σε συνθετικά δεδομένα και πραγματικά δεδομένα αστροφυσικής από τη NASA. Οι τύποι που προέκυψαν περιέγραφαν επιτυχώς πέντε σενάρια φυσικής του διαστήματος και συχνά αντιστοιχούσαν ή και υπερτερούσαν των τύπων που προκύπτουν από ανθρώπινους επιστήμονες. Για παράδειγμα, το PhyE2E ανέλυσε δεδομένα του 1993 για τον ηλιακό κύκλο, βελτιώνοντας τους μαθηματικούς τύπους που τον περιγράφουν και αναπαριστώντας τις σχέσεις ανάμεσα σε ηλιακή ακτινοβολία, θερμοκρασία και μαγνητικά πεδία.
Μελλοντικές δυνατότητες και εξέλιξη
Η μεθοδολογία αυτή μπορεί να εφαρμοστεί και σε άλλα πειραματικά ή αστροφυσικά δεδομένα, ενισχύοντας τη δυνατότητα αυτόματης ανακάλυψης επιστημονικών νόμων και ενδέχεται να επεκταθεί σε άλλες επιστημονικές περιοχές στο μέλλον. Η ομάδα συνεχίζει να εξελίσσει το πλαίσιο για να είναι πιο ανθεκτικό σε θορυβώδη δεδομένα και να ενσωματώνει υπολογισμούς παραγώγων και ολοκληρωμάτων για νόμους τύπου PDE.
Περισσότερες πληροφορίες: Jie Ying et al, Ένα νευρωνικό συμβολικό μοντέλο για τη φυσική του διαστήματος, Nature Machine Intelligence (2025). DOI: 10.1038/s42256-025-01126-3 .
Πληροφορίες περιοδικού: Nature Machine Intelligence