Foto: Crocker Lab

Úvod do problematiky pěn a umělé inteligence

Pěny se v každodenním životě objevují jako mýdlová pěna, holicí krém, šlehačka a potravinové emulze jako majonéza. Po mnoho let vědci věřili, že pěny se chovají podobně jako sklo, přičemž jejich drobné komponenty jsou uzamčeny v neuspořádaných, ale v podstatě pevných pozicích. Nový výzkum však nyní tuto dlouhodobou představu zpochybňuje. Inženýři z University of Pennsylvania zjistili, že zatímco pěny si udržují svůj celkový tvar, jejich vnitřní struktura je v neustálém pohybu. Ještě překvapivější je, že matematika popisující tento pohyb úzce připomíná hluboké učení, techniku používanou k trénování moderních systémů umělé inteligence.

Autor původního článku: redakce

Matematika pěn a umělé inteligence

Toto zjištění naznačuje, že učení, v širokém matematickém smyslu, může být sdíleným organizačním principem napříč fyzikálními, biologickými a výpočetními systémy. Práce by mohla také vést budoucí snahy o vytváření materiálů, které se přizpůsobují a reagují na své okolí. Mohla by dokonce pomoci vědcům lépe pochopit živé struktury, které se musí neustále reorganizovat, jako je vnitřní kostra buněk.

Pěny, které se nikdy neusadí

Ve studii publikované v Proceedings of the National Academy of Sciences vědci použili počítačové simulace k sledování pohybu bublin uvnitř mokré pěny. Namísto toho, aby se nakonec staly stacionárními, bubliny se neustále pohybovaly skrze mnoho možných uspořádání. Z matematického hlediska toto chování úzce připomíná, jak funguje hluboké učení. Během tréninku systém umělé inteligence opakovaně upravuje své parametry – informace, které definují, co AI „ví“ – místo toho, aby se uzamkl do jediného konečného stavu.

Proč pěny vzdorovaly tradiční fyzice

Pěny se často chovají jako pevné látky na lidské úrovni. Obecně si udržují svůj tvar a mohou se po stlačení vrátit zpět. Na mnohem menších měřítkách jsou však pěny považovány za „dvoufázové“ materiály, tvořené bublinami zavěšenými v kapalném nebo pevném pozadí. Protože pěny jsou snadno vyrobitelné a pozorovatelné, zatímco stále vykazují složité mechanické chování, vědci je dlouho používali jako modelové systémy ke studiu jiných hustých a dynamických materiálů, včetně živých buněk.

Rozpor mezi teorií a realitou

Když vědci zkoumali skutečná data o pěnách, zjistili, že chování neodpovídá těmto předpovědím. Podle Johna C. Crockera se známky tohoto nesouladu objevily téměř před dvaceti lety, ale neexistovaly vhodné matematické nástroje, které by plně vysvětlily, co se děje. „Když jsme se skutečně podívali na data, chování pěn neodpovídalo tomu, co teorie předpovídala,“ říká Crocker. „Tyto nesrovnalosti jsme začali vidět téměř před 20 lety, ale ještě jsme neměli matematické nástroje, které by popsaly, co se skutečně děje.“

Poučení z umělé inteligence

Moderní systémy umělé inteligence se učí neustálým upravováním číselných parametrů během tréninku. Rané přístupy se snažily tyto systémy tlačit k jedinému optimálnímu řešení, které dokonale odpovídalo jejich tréninkovým datům. Hluboké učení spoléhá na optimalizační metody související s matematickou technikou zvanou gradientní sestup. Tyto metody opakovaně vedou systém k uspořádáním, která snižují chybu, krok za krokem, podobně jako pohyb dolů po krajině.

Pěny a AI sledují stejné pravidla

Když tým z Pennu znovu prozkoumal svá data o pěnách z tohoto pohledu, podobnost se stala zřejmou. Pěnové bubliny se neusazují do hlubokých, stabilních pozic. Místo toho se nadále pohybují v širokých oblastech, kde je mnoho konfigurací stejně životaschopných. Tento neustálý pohyb úzce paralelizuje, jak moderní systémy AI fungují během učení. Stejná matematika, která pomáhá vysvětlit, proč hluboké učení funguje, také zachycuje, co pěny dělaly po celou dobu.

Důsledky pro materiály a živé systémy

Zjištění vyvolávají nové otázky v oblasti, o které se mnozí domnívali, že je již dobře pochopena. To samo o sobě může být jedním z nejdůležitějších přínosů studie. Tím, že ukazuje, že pěnové bubliny nejsou zmrazeny ve sklovitých stavech, ale místo toho se pohybují způsoby podobnými učícím algoritmům, výzkum povzbuzuje vědce k přehodnocení, jak se chovají jiné složité systémy.

Tento výzkum byl proveden na University of Pennsylvania School of Engineering and Applied Science a podpořen National Science Foundation Division of Materials Research (1609525, 1720530). Dalšími spoluautory jsou Amruthesh Thirumalaiswamy a Clary Rodríguez-Cruz.