一个让物理学家狂喜的AI工具，在GitHub上开源了！
它名叫Φ-SO ，能直接从数据中找到隐蔽的规律，而且一步到位，直接给出对应公式。
全体过程也不须要动用超算，一台条记今年夜概4个小时就能搞定爱因斯坦的质能方程。
这项成果来自德国斯特拉斯堡大学与澳大利亚联邦科学与工业研究组织Data61部门，据论文一作透露，研究用了1.5年韶光，受到学术界广泛关注。
代码一经开源，涨星也是飞快。
除了物理学者直呼Amazing之外，还有其他学科研究者赶来磋商，能不能把同款方法迁移到他们的领域。
强化学习+物理条件约束
Φ-SO背后的技能被叫做“深度符号回归”，利用循环神经网络（RNN）+强化学习实现。
首先将前一个符号和高下文信息输入给RNN，预测出后一个符号的概率分布，重复此步骤，可以天生出大量表达式。
同时将物理条件作为先验知识纳入学习过程中，避免AI搞出没有实际含义的公式，可以大大减少搜索空间。
再引入强化学习，让AI学会天生与原始数据拟合最好的公式。
与强化学习用来下棋、操控机器人平分歧，在符号回归任务上只须要关心如何找到最佳的那个公式，而不关心神经网络的均匀表现。
于是强化学习的规则被设计成，只对找出前5%的候选公式做褒奖，找出其余95%也不做惩罚，鼓励模型充分探索搜索空间。
研究团队用阻尼谐振子解析表达式、爱因斯坦能量公式，牛顿的万有引力公式等经典公式来做实验。
Φ-SO都能100%的从数据中还原这些公式，并且以上方法缺一不可。
与其他方法入MLP比较，Φ-SO在演习范围之外的表现也要更好。
研究团队在末了表示，虽然算法本身还有一定改进空间，不过他们的紧张任务已经改成用新工具去创造未知的物理规律去了。
GitHub：https://github.com/WassimTenachi/PhySO论文：https://arxiv.org/abs/2303.03192
参考链接：[1]https://twitter.com/astro_wassim/status/1633645134934949888参考链接：[1] https://twitter.com/astro_wassim/status/1633645134934949888
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态