فیزیک به کمک هوش مصنوعی می‌آید
فیزیک به کمک هوش مصنوعی می‌آید
به گزارش gsxr و به نقل از وایرد، یو در سال ۲۰۱۷ دکترای خود ربه گزارش gsxr و به نقل از وایرد، ا با جایزهٔ بهترین پایان‌نامه به پایان رساند و در ژانویهٔ گذشته، تنها چند روز پیش از پایان دورهٔ ریاست‌جمهوری بایدن، موفق به دریافت نشان زودهنگام ریاست‌جمهوری برای پژوهشگران جوان شد.
گفتنی است یو اکنون دانشیار دانشگاه کالیفرنیا در سن‌دیگو است و به‌عنوان یکی از پیشگامان حوزهٔ «یادگیری عمیق هدایت‌شده با فیزیک» شناخته می‌شود—رشته‌ای که در آن، اصول فیزیکی در طراحی شبکه‌های عصبی مصنوعی وارد می‌شود.
این رویکرد نه‌تنها تکنیک‌های جدیدی برای آموزش هوش مصنوعی به همراه آورده، بلکه کاربردهای متنوعی در دنیای واقعی داشته است: از بهبود پیش‌بینی ترافیک با استفاده از دینامیک سیالات گرفته تا شبیه‌سازی سریع‌تر طوفان‌ها و پیش‌بینی گسترش کووید-۱۹.
رویای بزرگ یو ساخت مجموعه‌ای از دستیاران دیجیتال آزمایشگاهی است که آن‌ها را «دانشمند هوش مصنوعی» می‌نامد. او از ترکیب این ابزارها به‌عنوان نوعی «شراکت علمی» میان انسان و ماشین یاد می‌کند—شراکتی که بر اصول فیزیکی استوار است و می‌تواند به کشف‌های تازه‌ای منجر شود.
یو دربارهٔ اولین تلاشش برای ترکیب فیزیک و یادگیری عمیق می‌گوید: «همه‌چیز از ترافیک آغاز شد. در دورهٔ دکترا، دانشگاه ما درست کنار تقاطع I-10 و I-110 بود و ترافیک سنگینی داشت. در سال ۲۰۱۶ به این فکر افتادم که آیا می‌توانم این مشکل را حل کنم.»
در آن زمان، یادگیری عمیق—که از شبکه‌های چندلایه برای یافتن الگوها در داده‌ها استفاده می‌کند—تازه به اوج محبوبیت رسیده بود. اما بیشتر تمرکز روی تصاویر بود، در حالی‌که ترافیک مسئله‌ای پویا است. یو و همکارانش با ایده‌ای جدید به مسئله نگاه کردند: آن‌ها ترافیک را به‌عنوان فرایند پخشی مشابه حرکت سیال در سطح در نظر گرفتند، اما نوآوری اصلی‌شان این بود که کل شبکهٔ جاده‌ای را به‌صورت یک گراف ریاضی مدل کردند.
در این مدل، حسگرهای ترافیکی به‌عنوان گره‌های گراف و جاده‌ها به‌عنوان یال‌های آن عمل می‌کنند. با گرفتن عکس‌های متوالی هر پنج دقیقه از این گراف، می‌توان روند تغییرات ترافیک را مشاهده و پیش‌بینی کرد.
با بهره‌گیری از مجموعه داده‌های گستردهٔ لس‌آنجلس، که توسط استاد راهنمایش سیروس شهابی جمع‌آوری شده بود، مدل یو توانست پیش‌بینی‌هایی برای یک ساعت آینده ارائه دهد—در حالی‌که مدل‌های قبلی تنها ۱۵ دقیقه آینده را پیش‌بینی می‌کردند. این مدل در سال ۲۰۱۸ توسط گوگل مپس به‌کار گرفته شد و خود یو نیز مدتی بعد به‌عنوان پژوهشگر مهمان به گوگل دعوت شد.
در همان سال، مسیر کاری یو به سمت مدل‌سازی اقلیمی چرخید. او در آزمایشگاه ملی لارنس برکلی سخنرانی داشت و پس از آن با دانشمندان آنجا دربارهٔ مسئله‌ای به‌عنوان میدان آزمایش هوش مصنوعی هدایت‌شده با فیزیک صحبت کرد. آن‌ها به پیش‌بینی جریان‌های آشفته رسیدند—یکی از اجزای حیاتی در مدل‌های اقلیمی و از منابع اصلی عدم‌قطعیت.
جریان‌های آشفته را در زندگی روزمره می‌توان دید: مثلاً وقتی شیر را در قهوه می‌ریزید و هم می‌زنید. در اقیانوس‌ها، چنین گرداب‌هایی می‌توانند هزاران کیلومتر گسترده باشند. مدل‌های کلاسیک برای پیش‌بینی چنین رفتارهایی بر معادلات ناویر–استوکس متکی هستند—اما حل این معادلات بسیار کند است.
شبکه‌های عصبی عمیق می‌توانند این محاسبات پیچیده را «شبیه‌سازی» کنند و الگوها را از داده‌ها استخراج نمایند؛ بدون نیاز به محاسبات زمان‌بر. مدل یو توانست در فضای دوبعدی، پیش‌بینی‌ها را ۲۰ برابر سریع‌تر و در فضای سه‌بعدی هزار برابر سریع‌تر انجام دهد.
اما آشفتگی تنها در آب‌وهوا نیست. در جریان خون هم وجود دارد و می‌تواند منجر به سکته شود. یو در دورهٔ فوق‌دکتری خود در مؤسسهٔ کلتک مقاله‌ای دربارهٔ کنترل پایداری پهپادها منتشر کرد؛ جایی‌که آشفتگی ناشی از برخورد جریان ملخ به زمین، باعث ناپایداری می‌شود.
