At jorda går i bane rundt sola, er i dag en selvfølge for de fleste. Men det tok årtusener før menneskeheten klarte å finne ut at bakken vi står på, svever rundt ildkulen på himmelen, og ikke omvendt.

Nå har en ny form for kunstig intelligens, på kort tid, selv resonnert seg fram til at sola er i midten av solsystemet – og at jorda og Mars går i bane rundt den.

Forskerne håper den nye teknologien kan brukes til å oppdage nye fysikklover, og hjelpe til med å forstå den kompliserte kvantemekanikken.

Resultatene skal dukke opp i Physical Review Letters, og er omtalt av tidsskriftet Nature.

En digital hjerne

– Jeg var overrasket! Ikke over at det funket, men over hvor raskt det gikk!

Det skriver Renato Renner, lederen av forskningsteamet, til forskning.no fra Swiss Federal Institute of Technology.

Datamaskinen brukte en form for kunstig intelligens kalt maskinlæring. Kort fortalt går maskinlæring ut på man får en datamaskin til å finne mønstre i store mengder data, slik at den kan gjenkjenne visse ting.

Teknikken forskerne brukte, kalles for et «nevralt nettverk». Dette er en form for kunstig intelligens som baserer seg på hvordan menneskehjerner fungerer.

Forskjellen mellom menneske-fysikere og nevrale nettverk, er at datamaskinen sprer det den har lært over tusenvis av noder – en slags digital nervecelle – på en måte som gjør det vanskelig for forskerne å forutsi og tolke det som skjer.

Svekket nettverk

Renners forskningsteam lagde derfor et slags svekket nettverk. Forskerne delte nemlig nettverket i to, og halvpartene var knyttet til hverandre via bare noen få forbindelser.

Tanken var at det første av de to nettverkene skulle «lære» fra datasettene, mens det andre skulle bruke lærdommene til å komme med forutsigelser som den kunne etterprøve.

Siden det var en flaskehals mellom de to nettverkene, måtte det første nettverket sende videre informasjonen på sammenfattet måte. Renner sammenlikner det med hvordan en lærer kan overlevere sin kunnskap til en student, ifølge Nature.

Han sier at når forskere driver med nevrale nettverk, så må de ofte gjennom en lengre prosess der de finjusterer nettverkets parametere, før det til slutt spytter ut noe fornuftig.

– Men, på magisk vis, bare produserte vårt nevrale nettverk det riktige svaret uten noen form for hjelp!

Sjakk-guru

Hva kan kunstig intelligens som dette, lære oss om verden i fremtiden?

Renner sier at det kan illustreres med nevrale nettverk som brukes til å spille sjakk.

Disse nettverkene kan banke de fleste i brettspillet, og til og med slå stormestere som Magnus Carlsen. Men Renner sier at vi ikke egentlig vet hvordan de gjør dette. Derfor kan ikke nevrale nettverk – i hvert fall direkte – lære oss å bli bedre sjakkspillere.

Renner sier at på samme måte så fungerer et nevralt nettverk i vitenskapen som en slags mystisk eske. Den gir riktige forutsigelser, men vi vet ikke hvordan den kommer fram til spådommene.

– Vårt arbeids mål var, på sett og vis, å «åpne» denne svarte boksen, så vi kan vite hvordan den kom fram til sine forutsigelser, skriver han til forskning.no

– Hvis denne ideen fungerer bredere, så kan framtidige nettverk muligens lære oss hvordan vi blir bedre fysikere. Eller, i det minste, hvordan vi kan bli flinkere i sjakk, sier Renner.

En jordboers perspektiv

En av de første testene Renners gruppe ga nettverket, var å mate datamaskinen hvordan Mars og sola flytter seg over himmelen, sett fra en som står på jorda.

For en jordboer virker Mars sin bane rundt sola nemlig uforutsigbar, og den snur tilsynelatende kursen på himmelen.

Mange opp gjennom historien har trodd at jorda var universets midtpunkt, og at planetene som svevde rundt oss, beveget seg i såkalte episykler. Ifølge denne teorien gikk himmellegemene i bane rundt den stillestående jorda, og i banene sine gikk også de i en slags sirkelbevegelser.

Nikolaus Kopernikus la i 1507 fram sitt verdensbilde, der jorda gikk i bane rundt sola – og ikke omvendt. Med denne teorien om det heliosentriske system, kunne planetenes bevegelse forklares på en langt enklere måte, og med enklere formler.

Dette førte til en revolusjon i vitenskapen, selv om teoriene tidlig møtte stor motstand.

Nå, omtrent 500 år senere, spyttet den kunstige datahjernen ut «Kopernikus-aktige formler» i Sveits, som den forklarte Mars sin bane med. Den klarte rett og slett å «resonnere» seg fram til at både jorda og Mars går i bane rundt sola, basert på hvordan det ser ut fra jorda.

Kvantemekanikken venter

Renner understreker til Nature at et menneskeøye behøves for å tolke formlene og hvordan de har med platenes baner å gjøre, selv om datamaskinen skapte dem.

– Jeg tror at disse type teknikker er vårt eneste håp for å forstå, og holde tritt med, stadig mer komplekse fenomener i fysikken, sier robotikk-forsker Hod Lipson ved Columbia University i New York til Nature.

Renner og hans team ønsker nå å utvikle maskinlæreteknologi som kan hjelpe fysikere forklare visse selvmotsigende floker i kvantemekanikken.

– Det er mulig at den nåværende måten kvantemekanikken er formulert på, bare er en historisk rest.

Han tror at en datamaskin kan kunne legge frem formuleringer som ikke har sånne motsigelser, men at teknologien til forskningsteamet enn så lenge ikke er sofistikert nok til å klare dette.

– I det neste steget, planlegger vi å utvide tilnærmingen mot nevrale nettverk som selv velger hvilke observasjoner de ønsker å gjøre, sier Renner til forskning.no.

– Med andre ord, så kan nevrale nettverk gripe rollen som en forsker som på egen hånd velger hvilke eksperimenter den behøver å utføre, for å finne ut mer om en fysisk lov.

Svarte bokser

Arild Brandrud Næss er førsteamuensis ved NTNU, og ekspert på kunstig intelligens. Han sier det nye arbeidet er veldig spennende.

– Slik jeg forstår grunnprinsippet deres så dreier det seg om å lage en slags flaskehals i dype nevrale nettverk, og prøve å tolke hva dette nevrale nettverket forstår, utfra det du finner i den flaskehalsen.

Han forklarer at Renners team har, i den kompakte informasjonen de henter fra flaskehalsen, funnet en representasjon av vinkelen til Mars og jorda, sett fra sola.

– Derfor mener de at den kunstige intelligensen faktisk har oppdaget det heliosentriske verdensbilde. Det er fiffig, og virker veldig imponerende.

Han sier at ideen med slike flaskehalser i dype nevrale nettverk, ikke er en ny idé, og at den inngår i en større trend som kalles explainable AI, eller forklarlig «kunstig intelligens».

Forskere kaller ofte kunstig intelligens som det er vanskelig å forstå hvordan jobber, for «svarte bokser» – av engelsk black box. Et problem dette byr på, er hvorvidt man kan stole på resultatene man får.

– Én ting er hvordan man får et maskinlæringssystem til å gjøre gode prediksjoner, en annen ting er hvordan man kan forklare resultatene den gir

– For det er jo noe av problemet med moderne kunstig intelligens, er at den er i ferd med å bli mer og mer opak.

Hesten som kunne regne

– Det å skulle bruke kunstig intelligens til å utlede fysiske lover, eller å løse paradoksene i kvantemekanikk, det kan de jo håpe at de begynner å få til. Men dette arbeidet er bare et første lite skritt ned den veien, slik jeg ser det, sier Næss.

– Det er én ting å klare å konstruere et nevralt nettverk som klarer å gjenoppdage det heliosentriske verdensbilde, det er noe helt annet å skulle få et nevralt nettverk til å finne et mønster som vi ikke vet om på forhånd.

Næss forklarer at når man forholder seg til veldig komplekse maskinlæringsmodeller, særlig dype nevrale nettverk, så bør man være oppmerksom på det som kalles Clever Hans-effekten.

Denne effekten er oppkalt etter den tyske hesten Hans, som angivelig kunne regne ut avanserte mattestykker. Det ble til slutt avslørt at han i virkeligheten bare tydet kroppsspråket til treneren sin.

Prinsippet er at man kan tro at kunstig intelligens har lært det man ønsker, men så har den i virkeligheten lært noe annet.

Næss sier at det finnes flere eksempler på at nevrale nettverk har oppnådd imponerende resultater på en oppgave, ved å lære noe som egentlig er helt uvesentlig for oppgaven.

Han tror at dette kanskje er grunnen til at Renners forskningsteam har forsøkt å vise hva det nevrale nettverket har lært.

– Og det ser vitterlig ut til å ha klart å lære noe virkelig vesentlig i flere av disse eksperimentene.

Renners forskningsteam har kommet med fire eksempler som legges frem i studien, der de har de har matet det nevrale nettverket med data fra fysiske eksperimenter, og funnet informasjon i flaskehalsene som stemmer med de fysiske lovene som ligger bak. Næss tror likevel det er et stykke igjen å gå.

– Det er jo et tegn på at noe her gjøres riktig, men man skal se flere resultater, og helst at et slikt nevralt nettverk får til noe tilsvarende på et uløst problem, før man knytter altfor høye håp til hva dette skal utrette.