Một thuật toán học máy lấy cảm hứng từ bộ não đã tự phát hiện ra rằng Mặt trời ở trung tâm Hệ Mặt trời nhờ vào quan sát chuyển động của Mặt trời và sao Hỏa từ Trái đất. Trong khi đó, các nhà thiên văn học đã phải mất nhiều thế kỷ để nhận ra điều này.
Thành quả này là một thử nghiệm của các nhà nghiên cứu về một kỹ thuật được hi vọng có thể hỗ trợ khám phá các định luật vật lý mới, và có lẽ sẽ góp phần định hình lại lý thuyết cơ học lượng tử, bằng cách nhìn ra các đặc trưng từ các tập dữ liệu lớn. Các kết quả sẽ được công bố trên tạp chí Physical Review Letters.
Nhà vật lý Renato Renner tại Viện Công nghệ Liên bang Thụy Sĩ (ETH) tại Zurich và cộng sự đang muốn xây dựng một thuật toán có thể lọc các tập dữ liệu lớn thành một vài công thức cơ bản, mô phỏng theo cách các nhà vật lý làm ra các phương trình ngắn gọn như E = mc2. Để làm vậy, các nhà nghiên cứu đã thiết kế một loại mạng thần kinh mới, một hệ thống học máy được lấy cảm hứng từ cấu trúc của não.
Các mạng thần kinh thông thường học cách nhận biết đối tượng - như hình ảnh hay âm thanh - bằng cách tự luyện tập với các tập dữ liệu khổng lồ. Chúng nhận biết các đặc trưng chung để xác định đối tượng, ví dụ như đặc trưng ‘bốn chân’ và ‘tai nhọn’ có thể dùng để xác định ‘mèo’. Sau đó, chúng mã hóa các tính năng đó trong các ‘nút’ (node) toán học - là các nơ-ron thần kinh nhân tạo. Nhưng thay vì lọc các thông tin đó thành một số quy luật dễ hiểu, như các nhà vật lý thường làm, mạng lưới thần kinh truyền bá kiến thức nó thu được qua hàng ngàn hoặc thậm chí hàng triệu nút theo các cách khó đoán và khó diễn giải.
Vì vậy, nhóm nghiên cứu của Renner đã thiết kế một loại mạng thần kinh ‘cắt rời’: hai mạng con được kết nối với nhau chỉ qua một số liên kết. Mạng con thứ nhất sẽ học dữ liệu như một mạng thần kinh điển hình, và mạng thứ hai sẽ sử dụng ‘kinh nghiệm’ đó để thực hiện và kiểm tra các phép đoán mới. Do có ít liên kết kết nối hai phía, nên mạng đầu tiên sẽ buộc phải truyền thông tin cho bên kia dưới dạng cô đọng. GS. Renner ví điều này giống như cách thầy giáo truyền đạt kiến thức của mình cho sinh viên vậy.
Định vị các hành tinh
Ở một trong các thử nghiệm đầu tiên, các nhà khoa học cung cấp dữ liệu mô phỏng về sự chuyển động của sao Hỏa và Mặt trời trên bầu trời từ điểm nhìn Trái đất cho mạng máy tính. Từ điểm nhìn này, quỹ đạo của sao Hỏa với Mặt trời có vẻ thất thường, như khi sao Hỏa định kỳ đi ngược chiều quỹ đạo của mình. Trong nhiều thế kỷ, các nhà thiên văn học cho Trái đất là trung tâm vũ trụ đã giải thích chuyển động này của sao Hỏa rằng các hành tinh di chuyển trong các vòng xoay nhỏ – được gọi là ngoại luân – bên trong thiên cầu. Đến thế kỷ XVI, Nicolaus Copernicus phát hiện ra các chuyển động có thể được dự đoán bằng một hệ thống công thức đơn giản hơn nhiều khi nhìn nhận Trái đất và các hành tinh đều quay quanh Mặt trời.
Theo phương pháp cũ của Copernicus, mạng thần kinh của nhóm nghiên cứu đã tìm ra được công thức cho quỹ đạo của sao Hỏa, do đó tái khám phá “một trong những bước ngoặt quan trọng nhất trong lịch sử khoa học”, theo nhận xét của Mario Krenn, nhà vật lý học (Đại học Toronto, Canada), chuyên gia về ứng dụng trí thông minh nhân tạo cho khám phá khoa học.
GS. Renner nhấn mạnh dù thuật toán giúp dẫn xuất các công thức, vẫn cần phải có con người để giải thích các phương trình và xem xét liệu chúng liên quan như thế nào đến chuyển động của các hành tinh quanh Mặt Trời.
Công trình này rất quan trọng vì nó cho phép xác định các thông số quan trọng xác định một hệ vật lý, theo nhà nghiên cứu robot Hod Lipson (Đại học Columbia, New York). “Tôi cho rằng những kỹ thuật này là hy vọng duy nhất của chúng ta để hiểu và bắt kịp các hiện tượng ngày càng phức tạp trong thế giới vật lý và hơn thế nữa,” ông nói.
Renner và nhóm của anh muốn phát triển các công nghệ học máy có thể giúp các nhà vật lý giải quyết các mâu thuẫn trong cơ học lượng tử. Lý thuyết lượng tử dường như tạo ra những dự đoán mâu thuẫn về kết quả của thực nghiệm và cách người quan sát tuỳ thuộc và các định luật của nó.
GS. Renner nói: “Có khả năng là việc người ta hiểu về cơ học lượng tử như hiện nay chỉ thuộc về lịch sử.” Anh nói thêm rằng một máy tính sẽ có thể đưa ra một công thức không có mâu thuẫn như vậy, tuy nhiên, các kỹ thuật mới nhất của nhóm nghiên cứu vẫn chưa đủ tinh vi để xây dựng chúng. Để hướng tới mục tiêu đó, Renner và các cộng sự đang cố gắng phát triển một phiên bản mạng thần kinh không chỉ có thể tự học từ dữ liệu thực nghiệm mà còn có thể đề xuất các thực nghiệm hoàn toàn mới để kiểm tra các giả thuyết của nó.