Autoapprendimento: un algoritmo che fa previsioni accurate sulle orbite dei pianeti
Un algoritmo di autoapprendimento permette di fare previsioni sul moto dei pianeti senza l’utilizzo delle leggi della fisica.
Al programma di autoapprendimento sono stati insegnati inizialmente i principi di base nella determinazione delle dinamiche che regolano un qualsiasi sistema fisico. Il vantaggio è che la rete impara le leggi del moto planetario dopo aver visto pochissimi esempi di addestramento mappando così le leggi della fisica. Un metodo che aprirebbe la portata di problemi da poter affrontare.
Al programma sono stati dati in pasto i dati raccolti dalle osservazioni delle orbite di Mercurio, Venere, Terra, Marte, Giove e il pianeta nano Cerere e grazie all’aiuto di un altro algoritmo è stato possibile ottenere previsioni accurate delle orbite di altri pianeti nel sistema solare senza utilizzare le leggi di movimento e gravitazione di Newton.
Di solito in fisica si fanno osservazioni, si crea una teoria basata su quelle osservazioni e poi si usa quella teoria per prevedere nuove osservazioni. Quello che sto facendo è sostituire questo processo con un tipo di scatola nera in grado di produrre previsioni accurate senza utilizzare una teoria o una legge tradizionale.
ha detto il fisico Hong Qin del Princeton University Program in Plasma Physics e autore di un articolo pubblicato su Scientific Reports.
La cosa interessante è che l’ispirazione per arrivare a questo programma è arrivata in parte dall’esperimento del filosofo di Oxford Nick Bostrom. Secondo Bostrom l’universo è una simulazione al computer e se ciò fosse vero le leggi fisiche fondamentali dovrebbero rivelare che l’universo è costituito da singole porzioni di spazio-tempo così come tanti pixel in un videogioco.
Per creare un programma che faccia previsioni fisiche l’ideatore Qin si è basato su questa idea: l’universo visto come tanti pixel in fondo rispecchia la teoria dei campi discreti: è come composto da singoli bit dove i computer assemblano una raccolta di dati puntuali.
L’apprendimento automatico potrebbe aprire possibilità per ulteriori ricerche ampliamento permette di ampliare i temi da affrontare.
La tecnica potrebbe anche portare allo sviluppo di una teoria fisica tradizionale: utilizzando l’apprendimento automatico è possibile colmare alcune lacune sui dati forniti o allo stesso tempo espandere il set di dati.
Può interessarti anche:
- New machine learning theory raises questions about nature of science (phys.org)
- Immagine Pexels
