如何使AI更快，更聪明 - 在物理学方面有所帮助

原始版本的 这个故事 出现在Quanta杂志。

当她10岁时罗斯·尤有一个生日礼物会改变她的生活，并可能与我们学习物理学的方式一样。她的叔叔给了她一台电脑。25年前，这在中国是一种罕见的商品，这份礼物并没有尚未使用。起初，Yu主要玩电脑游戏，但在中学时，她获得了网页设计奖。这是许多与计算机相关的荣誉中的第一个。

Yu进入了郑大学的计算机科学专业，她在那里获得了创新研究奖。在研究生学习的过程中，她选择了南加州大学（USC），部分原因是同一个叔叔是她在美国唯一认识的人，然后在帕萨迪纳附近的喷气推进实验室工作。Yu于2017年获得了博士学位，并获得了最佳论文奖。她最近的荣誉是在一月份的，当时总统乔·拜登（Joe Biden）在上周任职，颁发了总统职业生涯奖。

Yu现在是加利福尼亚大学圣地亚哥分校（UCSD）的副教授，是一个名为“物理学的深度学习”领域的领导者。这项工作不仅引入了建立和培训这些系统的新技术，而且还使她能够在几个现实世界的应用程序上取得进展。她借鉴了流体动力学原理，以改善交通预测，加强对湍流的模拟，以增强我们对飓风的理解，并设计了有助于预测Covid-19的传播的工具。

这项工作使Yu更接近她的宏伟梦境，部署了她称为AI科学家的一组数字实验室助手。现在，她设想了她所谓的人类研究人员和人工智能工具之间的合作关系，完全基于物理学的宗旨，因此能够产生新的科学见解。她认为，将这些助手团队的投入结合在一起可能是提高发现过程的最佳方法。

Quanta与Yu谈论了许多伪装中的动荡，如何摆脱AI，以及它如何使我们摆脱城市僵局。采访已被凝结和编辑，以清晰。

您什么时候第一次尝试将物理学与深度学习相结合？

罗斯·尤：它始于流量。我是南加州大学的一名研究生，校园就在I-10和I-1110的交叉点附近。要到达任何地方，您必须经历很多流量，这可能很烦人。在2016年，我开始怀疑我是否可以对此做任何事情。

深度学习使用多层神经网络从数据中引起模式正在变得非常热。图像分类中的应用程序已经引起了很多兴奋，但图像只是静态的东西。我想知道深度学习是否可以帮助解决情况不断变化的问题。我不是第一个考虑这一点的人，但是我和我的同事确实找到了一种新颖的方法来解决这个问题。

您的新方法是什么？

首先，我们从扩散的物理过程中考虑了流量。在我们的模型中，道路网络上的交通流量类似于流体在受流体动力学定律控制的表面运动上的流动。但是，我们的主要创新是将流量视为图形理论的数学领域。传感器监视高速公路和其他道路上的流量，用作该图的节点。图形的边缘代表这些传感器之间的道路（和距离）。

图在给定时间提供了整个道路网络的快照，告诉您图表上每个点的汽车的平均速度。当您将一系列此类快照汇总在一起，每五分钟间隔间隔一次，您就可以很好地了解流量如何发展。从那里，您可以尝试预测将来会发生什么。

深度学习的最大挑战是，您需要大量数据来训练神经网络。幸运的是，我的一位顾问赛勒斯·沙哈比（Cyrus Shahabi）在交通预测问题上工作了很多年，他积累了我可以访问的大量洛杉矶交通数据。

那么您的预测有多好？

在我们工作之前，人们只能进行大约15分钟可靠的交通预测。我们的预测有效期为一个小时。我们的代码由Google Maps在2018年部署。过了一会儿，Google邀请我成为一名访问研究员。

这就是您何时开始进行气候建模，对吗？

是的，这始于2018年，当时我在劳伦斯·伯克利国家实验室发表演讲。之后，我与那里的科学家进行了交谈，我们寻找一个问题，这将是物理学引导深度学习的良好测试。我们介绍了预测湍流的演变，这是气候模型的关键因素，也是主要不确定性领域。

熟悉的湍流例子是将牛奶倒入一杯咖啡中后看到的漩涡状图案并引起搅拌。在海洋中，这样的漩涡可以跨越数千英里。基于求解描述流体流动的Navier-Stokes方程的湍流行为的预测被认为是该领域的金标准。但是所需的计算非常慢，这就是为什么我们没有预测飓风和热带气旋的良好模型的原因。

深度学习可以帮助吗？

基本思想是，经过我们最好的数值模拟训练的深度神经网络可以学会模仿或正如我们所说的那些模拟。他们通过识别埋在数据中的属性和模式来做到这一点。他们不必经过耗时的蛮力计算才能找到近似的解决方案。我们的模型在二维设置中加快了预测20倍，三维设置中的预测为1,000。像我们的湍流预测模块一样，可能有一天会插入更大的气候模型中，这些模型可以在预测飓风等事情方面做得更好。

湍流还出现在哪里？

到处都是。例如，血液流动的湍流可能导致中风或心脏病发作。当我在加州理工学院（Caltech）担任博士后时，我撰写了一张纸张，旨在稳定无人机。螺旋桨生成的气流与地面相互作用以产生湍流。反过来，这会导致无人机摇摆。我们使用神经网络对湍流进行建模，这导致了起飞和着陆期间对无人机的更好控制。

我目前与UCSD的科学家和一般原子学有关融合能力的合作。成功的关键之一是学习如何控制血浆，这是一个热的物质阶段。在大约1亿度的温度下，血浆内会产生各种湍流，而表征该行为的基于物理学的数值模型非常缓慢。我们开发了一个深度学习模型，该模型应该能够在一秒钟内预测血浆的行为，但这仍然是一项正在进行的工作。

您的AI科学家想法从何而来？

在过去的几年中，我的小组开发了AI算法，可以自动从数据中发现对称原理。例如，我们的算法确定了Lorentz对称性，这与光速的恒定有关。我们的算法还确定了旋转对称性 - 例如，无论您如何旋转它，球体看起来都不是任何不同的事实，这是没有专门训练的东西。尽管这些是众所周知的属性，但我们的工具还可以发现物理目前未知的新对称性，这将构成一个巨大的突破。

然后，我想到，如果我们的工具可以从原始数据中发现对称性，为什么我们不尝试将其推广？这些工具还可以产生研究思想或科学方面的新假设。那就是AI科学家的起源。

AI科学家到底是什么神经网？

它不是一个单一的神经网络，而是一组计算机程序，可以帮助科学家进行新的发现。我的小组已经开发了可以帮助完成各个任务的算法，例如天气预报，确定全球温度升高的驱动因素或试图发现因果关系，例如疫苗接种政策对疾病传播的影响。

现在，我们建立了一个更广泛的基础模型，该模型足以处理多个任务。科学家从所有类型的仪器中收集数据，我们希望我们的模型包括各种数据类型，文本，图像和视频。我们有一个早期的原型，但是我们希望在发布之前使模型更全面，更聪明，训练。这可能会在几年内发生。

您认为它可以做什么？

AI几乎可以协助科学发现过程的每个步骤。当我说AI科学家时，我的意思是AI科学助理。例如，实验中的文献调查阶段通常需要大量的数据收集和组织努力。但是现在，一个大型语言模型可以在一次午餐休息期间阅读和总结数千本书。AI不擅长的是判断科学有效性。在这种情况下，它可以与经验丰富的研究人员竞争。尽管AI可以帮助假设生成，实验和数据分析的设计，但仍无法进行复杂的实验。

您想看到这个概念多远？

当我想象的那样，AI科学家可以减轻研究人员的一些繁琐，同时让人们处理科学的创造性方面。这是我们特别擅长的事情。放心，目标不是取代人类科学家。我不会想象我也不会看到一台机器代替或干扰人类的创造力。

本事 经许可转载Quanta杂志，编辑独立的出版物 西蒙斯基金会 其任务是通过涵盖数学以及物理和生命科学的研究发展和趋势来增强公众对科学的理解。