Forskere ved Duke University har utviklet en kunstig intelligens som avdekker enkle, lesbare regler i ekstremt komplekse systemer. Gjennombruddet, publisert 17. desember i npj Complexity, lover mer presise langtidsprognoser – med modeller som er mer enn ti ganger mindre enn før. Det kan endre hvordan vi forstår alt fra værmønstre til biologiske signaler.

Hva er nytt?

AI-systemet er inspirert av dynamikkfagets storheter: som Isaac Newton koblet kraft til bevegelse, analyserer denne AI-en hvordan systemer endrer seg over tid og produserer ligninger som beskriver oppførselen.

• Håndterer ikke-lineære systemer med hundrevis eller tusenvis av samhandlende variabler
• Reduserer kompleksitet til enklere regler med færre dimensjoner
• Modeller som er over ti ganger mindre enn tidligere maskinlæringstilnærminger
• Leverer pålitelige langtidsprognoser

«Vitenskapelig oppdagelse har alltid vært avhengig av å finne forenklede representasjoner av kompliserte prosesser. Vi har i økende grad rådata som trengs for å forstå komplekse systemer, men ikke verktøyene til å gjøre den informasjonen om til de forenklede reglene forskere er avhengige av.»
– Boyuan Chen, leder for General Robotics Lab og professor i maskinteknikk ved Duke

Slik virker det

Rammeverket leser tidsserier fra komplekse systemer, finner et lite antall skjulte variabler som styrer oppførselen, og uttrykker dem i kompakte, lesbare ligninger. Det gjør mer enn å anslå fremtiden: Det identifiserer stabile tilstander, såkalte attraktorer, der systemer naturlig setter seg over tid.

«For en dynamiker er det å finne disse strukturene som å finne landemerkene i et nytt landskap. Når du vet hvor de stabile punktene er, begynner resten av systemet å gi mening.»
– Sam Moore, hovedforfatter og PhD-kandidat i Chens laboratorium

Testet på tvers av disipliner

• Klassisk pendelbevegelse
• Ikke-lineær oppførsel i elektriske kretser
• Modeller brukt i klimavitenskap
• Nevrale kretser

Til tross for ulikhetene mellom disse systemene, avdekket AI-en konsekvent et beskjedent sett skjulte variabler som styrte den observerte dynamikken.

Når fysikken er ukjent eller for kompleks

Tilnærmingen er særlig nyttig når tradisjonelle ligninger er utilgjengelige, ufullstendige eller for tunge å utlede.

«Dette handler ikke om å erstatte fysikk. Det handler om å utvide vår evne til å resonnere ved hjelp av data når fysikken er ukjent, skjult eller for tungvint å skrive ned.»
– Sam Moore

Veien videre

• Styre eksperimentelt design: aktivt velge hvilke data som skal samles inn for å avsløre strukturen mer effektivt
• Rikere datatyper: anvende metoden på video, lyd og signaler fra komplekse biologiske systemer

Hvem står bak?

Arbeidet ledes av General Robotics Lab ved Duke University. Forskningen støttes av National Science Foundation, Army Research Laboratory og DARPAs FoundSci- og TIAMAT-programmer. Målet er å utvikle «maskinforskere» som kan bidra til automatisert vitenskapelig oppdagelse.

Kilder

• Duke University via ScienceDaily
• Phys.org
• npj Complexity
• SciTechDaily

Konklusjon: Ved å koble moderne AI med matematikken i dynamiske systemer, peker forskningen mot en fremtid der maskiner ikke bare gjenkjenner mønstre – de avdekker reglene som former både den fysiske verden og levende systemer.