A nova teoria do aprendizado de máquina levanta questões sobre a natureza da ciência

Por Princeton Plasma Physics Laboratory

Um novo algoritmo de computador, ou conjunto de regras, que prediz com precisão as órbitas dos planetas no sistema solar poderia ser adaptado para melhor prever e controlar o comportamento do plasma que alimenta as instalações de fusão projetadas para colher na Terra a energia de fusão que alimenta o sol e estrelas.

O algoritmo, desenvolvido por um cientista do Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE), aplica o aprendizado de máquina, a forma de inteligência artificial (IA) que aprende com a experiência, para desenvolver as previsões. 

“Normalmente, na física, você faz observações, cria uma teoria baseada nessas observações e, em seguida, usa essa teoria para prever novas observações”, disse o físico do PPPL Hong Qin, autor de um artigo que detalha o conceito em Relatórios Científicos . 

“O que estou fazendo é substituir esse processo por um tipo de caixa preta que pode produzir previsões precisas sem usar uma teoria ou lei tradicional.”

Qin (pronuncia-se Chin) criou um programa de computador no qual alimentou dados de observações anteriores das órbitas de Mercúrio, Vênus, Terra, Marte, Júpiter e o planeta anão Ceres. Esse programa, junto com um programa adicional conhecido como ‘algoritmo de serviço’, fazia previsões precisas das órbitas de outros planetas do sistema solar sem usar as leis de movimento e gravitação de Newton.

 “Essencialmente, ignorei todos os ingredientes fundamentais da física. Vou diretamente de dados em dados”, disse Qin. “Não há nenhuma lei da física intermediária.”

O programa não acontece por acaso em previsões precisas. “Hong ensinou ao programa o princípio básico usado pela natureza para determinar a dinâmica de qualquer sistema físico”, disse Joshua Burby, físico do Laboratório Nacional de Los Alamos do DOE que obteve seu doutorado. em Princeton sob a orientação de Qin. “A recompensa é que a rede aprende as leis do movimento planetário depois de testemunhar poucos exemplos de treinamento. Em outras palavras, seu código realmente ‘aprende’ as leis da física.”

O aprendizado de máquina é o que torna possíveis programas de computador como o Google Translate. 

O Google Translate analisa uma vasta quantidade de informações para determinar a frequência com que uma palavra em um idioma foi traduzida para uma palavra em outro idioma. Desta forma, o programa pode fazer uma tradução precisa sem realmente aprender nenhum dos dois idiomas.

O processo também aparece em experimentos de pensamento filosófico como a Sala Chinesa de John Searle. Nesse cenário, uma pessoa que não conhecesse chinês poderia, no entanto, ‘traduzir’ uma frase chinesa para o inglês ou qualquer outro idioma, usando um conjunto de instruções ou regras que substituiriam a compreensão. 

O experimento mental levanta questões sobre o que, na raiz, significa entender alguma coisa, e se a compreensão implica que algo mais está acontecendo na mente além de seguir regras.

Qin foi inspirado em parte pelo experimento de pensamento filosófico do filósofo de Oxford Nick Bostrom de que o universo é uma simulação de computador. Se isso fosse verdade, então as leis físicas fundamentais deveriam revelar que o universo consiste em pedaços individuais de espaço-tempo, como pixels em um videogame. 

“Se vivemos em uma simulação, nosso mundo precisa ser discreto“, disse Qin.

A técnica da caixa preta desenvolvida por Qin não exige que os físicos acreditem literalmente na conjectura da simulação, embora ela se baseie nessa ideia para criar um programa que faça previsões físicas precisas.

A visão pixelizada resultante do mundo, semelhante ao que é retratado no filme Matrix, é conhecida como uma teoria de campo discreto, que vê o universo como composto de bits individuais e difere das teorias que as pessoas normalmente criam. 

Enquanto os cientistas normalmente desenvolvem conceitos abrangentes de como o mundo físico se comporta, os computadores apenas montam uma coleção de pontos de dados.

Qin e Eric Palmerduca, um estudante graduado do Programa da Universidade de Princeton em Física de Plasmas, estão agora desenvolvendo maneiras de usar teorias de campo discretas para prever o comportamento de partículas de plasma em experimentos de fusão conduzidos por cientistas ao redor do mundo. 

As instalações de fusão mais amplamente utilizadas são tokamaks em forma de donut que confinam o plasma em campos magnéticos poderosos.

A fusão, o poder que move o sol e as estrelas, combina elementos leves na forma de plasma – o estado quente e carregado da matéria composto de elétrons livres e núcleos atômicos que representa 99% do universo visível – para gerar grandes quantidades de energia. Os cientistas estão tentando replicar a fusão na Terra para um fornecimento virtualmente inesgotável de energia para gerar eletricidade.

“Em um dispositivo de fusão magnética, a dinâmica dos plasmas é complexa e multi-escala, e as leis governantes eficazes ou modelos computacionais para um processo físico particular que estamos interessados ​​nem sempre são claros”, disse Qin.

“Nesses cenários, podemos aplicar a técnica de aprendizado de máquina que desenvolvi para criar uma teoria de campo discreta e, em seguida, aplicar essa teoria de campo discreta para compreender e prever novas observações experimentais.”

Esse processo levanta questões sobre a própria natureza da ciência. Os cientistas não querem desenvolver teorias da física que expliquem o mundo, em vez de simplesmente acumular dados? As teorias não são fundamentais para a física e necessárias para explicar e compreender os fenômenos?

“Eu diria que o objetivo final de qualquer cientista é a previsão”, disse Qin. 

“Você pode não precisar necessariamente de uma lei. Por exemplo, se posso prever perfeitamente uma órbita planetária, não preciso conhecer as leis de gravitação e movimento de Newton. Você poderia argumentar que, ao fazer isso, entenderia menos do que se soubesse Leis de Newton. Em certo sentido, isso está correto. Mas de um ponto de vista prático, fazer previsões precisas não é fazer nada menos. “

O aprendizado de máquina pode abrir possibilidades para mais pesquisas

“Isso amplia significativamente o escopo de problemas que você pode enfrentar porque tudo que você precisa para começar são os dados”, disse Palmerduca.

A técnica também pode levar ao desenvolvimento de uma teoria física tradicional. “Embora em certo sentido esse método exclua a necessidade de tal teoria, ele também pode ser visto como um caminho em direção a ela”, disse Palmerduca. 

“Quando você está tentando deduzir uma teoria, gostaria de ter o máximo possível de dados à sua disposição. Se você receber alguns dados, poderá usar o aprendizado de máquina para preencher as lacunas desses dados ou expandir o conjunto de dados.

Fonte: https://phys.org