物理学家狂喜的AI工具开源了！靠试验数据间接发现物理公式，条记本就可以跑

海浪

原标题：物理学家狂喜的AI工具开源了！靠试验数据间接发现物理公式，条记本就可以跑  
梦晨 发自 凹非寺   
量子位 | 大众号 QbitAI   
一个让物理学家狂喜的AI工具，在GitHub上开源了！  
它名叫 Φ-SO，能间接从数据中找到暗藏的法则，并且一步到位，间接给出对应公式。   


全部进程也不需求动用超算， 一台条记本大略4个小时就可以搞定爱因斯坦的质能方程。   
这项效果来自德国斯特拉斯堡大学与澳大利亚联邦迷信与工业钻研组织Data61部门，据论文一作透露，钻研用了1.5年时间，遭到学术界普遍关注。  


代码一经开源，涨星也是飞快。  


     除了物理学者直呼Amazing以外，还有其余学科钻研者赶来讨论，能不克不及把同款办法迁徙到他们的畛域。  
强化学习+物理前提束缚   
Φ-SO面前的技术被叫做“深度符号回归”，使用 循环神经网络（RNN）+强化学习完成。   
首先将前一个符号和上下文信息输出给RNN，预测出后一个符号的几率散布，反复此步骤，能够生成出少量表白式。  


同时将物理前提作为先验常识归入学习过程当中，防止AI搞出没有实际含意的公式，能够大大增加搜寻空间。  


再引入强化学习，让AI学会生成与原始数据拟合最佳的公式。  
与强化学惯用来下棋、操控机器人等不同，在符号回归工作上只需求关怀如何找到最好的阿谁公式，而不关怀神经网络的均匀表示。  
因而强化学习的规定被设计成，只对找出前5%的候选公式做嘉奖，找出此外95%也不做惩罚，激励模型充沛探究搜寻空间。  
钻研团队用阻尼谐振子解析表白式、爱因斯坦能量公式，牛顿的万有引力公式等经典公式来做试验。  
Φ-SO都能100%的从数据中复原这些公式，而且以上办法缺一不成。  


与其余办法入MLP比拟，Φ-SO在训练规模以外的表示也要更好。  


钻研团队在最初表现，虽然算法自身还有一定改进空间，不外他们的重要工作曾经改为用新工具去发现未知的物理法则去了。  




GitHub：   
http://github.com/WassimTenachi/PhySO  
论文：   
http://arxiv.org/abs/2303.03192  
— 完—   
3月29日「中国AIGC产业峰会」  
抢票开启  
「中国AIGC产业峰会」定档3月29日，线下会场抢票开启！  
百度 袁佛玉、智源 林咏华、澜舟科技 周明、小冰 徐元春、科大讯飞 高建清、启元世界 袁泉、云舶科技 梅嵩、特赞 王喆、微软 关玮雅、源码资本 黄云刚、元语智能 朱雷、无界Ai 马千里、Tiamat 青柑、峰瑞资本 陈石等来自产学研界大咖佳宾，还有重磅佳宾陆续确认中。   
扫描下方二维码，报名峰会线下会场啦～  
点这里 ?关注我，记得标星哦～   
一键三连「分享」、「点赞」和「在看」  
科技前沿停顿日日相见 ~