人工智能都学会自主学习研究了?如今，根据在地球上观测到的太阳和火星的运行轨迹，一种受大脑启发的机器学习算法计算出了太阳位于太阳系的中心。而天文学家花了几个世纪才弄明白这个道理。
这一壮举是对一项技术的首次测试，研究人员希望能够利用它发现新的物理定律，或许还能够通过在大数据集中发现新的模式来重新构建量子力学。
相关研究成果将发表在即将出版的《物理评论快报》上。
苏黎世瑞士联邦理工学院的物理学家Renato Renner和他的合作者想要设计一种算法，将大量数据集提炼成几个基本公式，这模仿了物理学家提出简洁方程式(例如E=mc2)的思路。
为了做到这一点，研究人员必须设计一种新型的神经网络，一种受人类大脑结构启发的机器学习系统。
传统的神经网络通过大量数据集的训练学习识别物体，例如图像或声音。研究人员发现一般特征——例如“四条腿”和“尖尖的耳朵”能够用来识别猫。然后，他们将这些特征编码到数学“节点”中，后者是神经元的人工等效物。
然而，神经网络并没有像物理学家那样，将这些信息提炼成几个易于解释的规则，而是有点像一个黑匣子，将它们获得的知识以不可预测且难以解释的方式传播到数千个甚至数百万个节点上。
因此，Renner的研究团队设计了一种“脑叶切除”式的神经网络——两个仅通过少量链接相互连接的子网络。第一个子网将从数据中学习，就像在一个典型的神经网络中一样;而第二个子网将使用这种“经验”做出新的预测并加以测试。
由于连接两个子网络的链路很少，第一个子网络被迫以压缩格式向另一个子网络传递信息。Renner把这比作一个导师如何把他学到的知识传授给学生。
最初的一项测试是向该神经网络提供从地球上看到的火星和太阳在天空中运行的模拟数据。从这个角度看，火星环绕太阳的轨道似乎是不稳定的，比如它会周期性地“逆行”，改变自己的轨道。
几个世纪以来，天文学家曾一直认为地球是宇宙的中心——他们认为行星在天球上绕着小圈运行，即所谓的本轮，并以此来解释火星的运行轨迹。但在16世纪，尼古拉·哥白尼发现，如果地球和其他行星都围绕太阳运行，那么用一个简单得多的公式系统就可以预测它们的运行轨迹。
致力于将人工智能应用于科学发现的加拿大多伦多大学物理学家Mario Krenn表示，该研究团队的神经网络得出了哥白尼式的火星轨道公式，重新发现了“科学史上最重要的一个范式转变”。
Renner强调，虽然该算法推导出了这些公式，但需要人的眼睛来解释这些方程，并理解它们与行星围绕太阳运行之间的关系。
这项研究工作很重要，因为它能够找出描述一个物理系统的关键参数，美国纽约市哥伦比亚大学机器人专家Hod Lipson说。他表示：“我认为这些技术是我们理解和跟上物理和其他领域日益复杂的现象的唯一希望。”
Renner和他的团队希望能够开发出帮助物理学家解决量子力学中的那些明显矛盾的机器学习技术。这个理论似乎对一项实验的结果和受其规律支配的观察者的观察方式产生了相互矛盾的预测。
“在某种程度上，现在量子力学的表述方式可能只是历史的产物。”Renner说。他强调，一台计算机可以得出一个没有这些矛盾的公式，但该团队最新的技术还不够成熟，尚无法做到这一点。
为了实现这一目标，Renner和他的合作者正在尝试开发一种神经网络，后者不仅可以从实验数据中学习，而且还可以提出全新的实验来验证其假设。
