教授神经网络物理消除“混沌失明”

北卡罗来纳州立大学的研究人员发现，向神经网络教授物理能够使这些网络更好地适应环境中的混乱。这项工作对改进人工智能(AI)应用具有重要意义，范围从医疗诊断到自动无人机驾驶。神经网络是一种先进的人工智能，它松散地基于我们大脑的工作方式。我们的天然神经元根据它们连接的强度交换电脉冲。人工神经网络通过在训练过程中调整数值权重和偏差来模拟这一行为，以最小化其实际输出和期望输出之间的差异。例如，可以训练一只狗识别狗的照片，方法是筛选大量照片，猜测照片是否是狗的照片，看看它离得有多远，然后调整它的权重和偏差，直到它们更接近现实。

这样做的缺点是所谓的盲目性--无法预测或应对系统中的混乱。传统的人工智能是混沌盲的。但北卡罗来纳州非线性人工智能实验室(Nail)的研究人员发现，在神经网络中加入哈密顿函数能更好地让它们看到系统中的混乱，并据此做出适应。

简单地说，哈密顿量体现了关于一个动态物理系统的完整信息--所有存在的能量、动能和势能的总量。想象一个摆动的钟摆，随着时间的推移在空间中来回摆动。现在看一下那个钟摆的快照。快照不能告诉您该摆在其圆弧中的什么位置，或者它下一步要去哪里。传统的神经网络从钟摆的快照开始工作。熟悉哈密顿流的神经网络了解钟摆运动的整体-它在哪里，它将在哪里或可能在哪里，以及在它的运动中涉及的能量。

在一个概念验证项目中，钉钉团队将哈密顿结构融入到神经网络中，然后将其应用于一个已知的恒星模型，称为Hénon-Heiles模型。哈密顿神经网络准确地预测了系统的动态，甚至当它在有序和混沌之间移动时也是如此。

钉钉的客座研究员、伍斯特学院(College Of Wooster)物理学教授约翰·林德纳(John Lindner)表示，哈密尔顿实际上是一种特殊的调料，它让神经网络有能力学习秩序和混沌。林德纳也是一篇描述这项研究的论文的通讯作者。有了哈密尔顿，神经网络就能以常规无法理解的方式理解潜在的动力学。这是迈向精通物理的神经网络的第一步，它可以帮助我们解决难题。

这项研究发表在“物理评论E”(Physical Review E)上，并得到海军研究办公室(Office Of Naval Research)的部分支持。北卡罗来纳州博士后研究员Anshul Choudhary是第一作者。北卡罗来纳州立大学物理学教授比尔·迪托是钉钉公司的负责人。访问研究员斯科特·米勒(Scott Miller)、印度科学教育与研究所(Indian Institute Of Science Education And Research Mohali)的苏德希纳·辛哈(Sudeshna Sinha)和北卡罗来纳州州立大学研究生埃利奥特·霍利迪(Elliott Hol。更多信息：Anshul Choudhary等人，物理学增强的神经网络学习秩序和混沌，物理评论E(2020)。网址：10.1103/PhysRevE.101.062207