來源：新智元

有件事，可能會讓牛頓很「頭疼」。

17世紀初，在開普勒對大量精密觀察的天體軌道數據進行分析后，得出著名的開普勒定律；

此后，牛頓用其運動定律萬有引力中證明了開普勒定律，又是78年后的事兒了。

不過，后來的愛因斯坦又以相對論解釋了水星近日點異常的進動之后，天文家了解到牛頓力學的準確度依然不夠。

但無論怎么說，牛頓解法的地位仍難以撼動，因為它簡便又精度高，仍是計算行星軌道的主流。

近日，美國能源部的普林斯頓等離子體物理實驗室(PPPL)設計出了一個機器學習算法。

「繞」過了牛頓，中間沒使用任何物理定律！

黑匣子「取代」牛頓物理理論

這是一種物理學中離散場理論的機器學習和服務方法，包括學習算法和服務算法。

該算法的開發者為秦宏，他是著名的近代物理系教授，也曾為中科大核學院的執行院長。

「在物理學中，通常你會進行觀測，根據觀測結果創建一個理論，然后用這個理論來預測新的觀測結果，」秦宏說，「我所做的是用一種黑匣子來代替這個過程，它可以在不使用傳統理論或規律的情況下產生準確的預測。」

讓我們把時間倒回到1601年，開普勒繼承了他的導師第谷·布拉赫（Tycho Brahe）精心收集的行星軌道的觀測數據。

開普勒用了5年的時間發現了他的行星運動的第一定律和第二定律。

牛頓用其運動定律和萬有引力解決了開普勒問題又花了78年。

現在，假設我們站到了與開普勒同期的歷史節點，有一組類似于開普勒的數據。

學習算法從時空網格上的一組觀測數據中訓練出離散場論，服務算法利用學習到的離散場論預測新的邊界和初始條件下的場的觀測數據。

如下圖所示，為簡單起見，這些數據是根據萬有引力定律通過求解牛頓在太陽引力場中的行星運動方程而生成的水星，金星，地球，火星，谷神星和木星的軌道：

將水這些軌道觀測數據輸入了程序。然后，該程序與「服務算法」一起運行，結果竟是驚人的準確：

其中，紅色標記指示的軌道是通過學習的離散場理論生成的，綠色標記所指示的軌道是來自上圖的訓練軌道。

可以看出，在學習了極少的訓練例子后，AI似乎就能學會行星運動的規律。換句話說，他的代碼真的是在「學習」物理規律。

為了豐富實驗內容，研究人員又對從水星軌道的近日點發起的軌道進行了類似的研究。

在這里，軌道e0是地球軌道；橢圓形的e1、e2是以不同的初始速度從地球近日點發起的軌道。軌道p是拋物線的逃避軌道，軌道h是雙曲線的逃避軌道。

結果顯示：

紅色標記是受過訓練的離散場理論的預測，藍色標記是根據牛頓運動定律和萬有引力定律的解決方案。

再以谷神星軌道為數據，并減少訓練的數據來演示。

同樣地，紅色標記是受過訓練的離散場理論的預測，藍色標記是根據牛頓運動定律和萬有引力定律的解決方案。

值得注意的是，即使訓練軌道都是橢圓形的，離散場理論也能正確預測拋物線和雙曲線的逃逸軌道。

所開發的算法對于物理控制定律的變化具有魯棒性，因為該方法除了控制定律是場論的基本假設外，不需要任何物理定律知識。

數據驅動方法論最近在物理學界引起了很多關注。這不足為奇，因為物理學的基本目標之一是從觀測數據推論或發現物理學定律。

人工智能技術的飛速發展引發了這樣的問題，即這種推論或發現是否可以通過算法實現。

相關論文發表在Scientific Reports上。

該算法的另外一個重要意義在于，當狹義相對論和廣義相對論的影響很重要時，所提出的算法有望適用。

受哲學家啟發，宇宙是矩陣模擬

這個黑盒過程也出現在哲學思想實驗中，比如John Searle提出著名的中文屋(Chinese Room)思想實驗。

在實驗中，一個不懂中文的人卻可以通過使用一套指令或規則，將一個中文句子翻譯成英文或任何其他語言，從而代替理解。

這個思想實驗認為任何機器都不可能理解人類語言的真正含義，否決了圖靈測試的有效性。即使計算機通過圖靈測試，也不算真正具有智能。

秦宏的靈感部分來自于牛津大學哲學家Nick Bostrom的哲學思想實驗，即宇宙是一個計算機模擬程序。

如果這是真的，那么基本的物理定律應該揭示出宇宙是由基本時空模塊組成，就像電子游戲中的像素一樣。

秦宏表示，「如果我們生活在模擬世界中，我們的世界就必須是離散的」。

秦設計的黑匣子并不要求物理學家從字面意思上相信宇宙模擬猜想，盡管它是基于這一理念創建一個能做出準確物理預測的程序。

與電影《黑客帝國》中所描繪世界相似，由此產生的像素化的世界觀被稱為離散場理論。

與通常的理論不同，它將宇宙看成是由單個比特組成的。

科學家們通常會設計出物理世界行為方式的總體概念，而計算機只是收集了一系列數據點的集合。?

秦宏和普林斯頓大學等離子體物理學項目的研究生Eric Palmerduca現在正在開發利用離散場理論來預測世界各地科學家進行的核聚變實驗中等離子體粒子行為的方法。

核聚變是驅動太陽和恒星的動力，它將輕元素以等離子體的形式結合起來以產生大量的能量。這種由自由電子和原子核組成熱的、帶電的物質狀態代表了99%的可見宇宙。

科學家們正試圖在地球上復制核聚變，以獲得取之不盡的發電動力。

秦宏表示，「在核聚變裝置中，等離子體的動力學是復雜的、多尺度的，我們感興趣的某一物理過程的有效調控規律或計算模型并不總是清晰的。

在這個場景下，就可以應用我開發的機器學習技術來創建一個離散場理論，然后應用這個離散場理論來理解和預測新的實驗觀測結果」。

這個過程引發了關于科學本質的問題。

難道科學家們不想發展解釋世界的物理學理論，而是簡單地收集數據嗎？

物理學對解釋和理解現象是否真的的有必要？

秦宏認為，任何一個科學家的終極目標都是做出符合實際的預測，我們可能不一定需要物理定律。

例如，如果我可以完美地預測行星軌道，就不需要知道牛頓的引力和運動定律。你可以說，這樣做從理論上，你會比知道牛頓定律的人理解得不夠充分。

從某種意義上說，這是對的。但從實際的角度來看，不知道內在機制卻能夠做出準確的預測，和運用理論給出預測沒有實際的區別。

機器學習也可以為更多的研究提供可能性。這種技術也可能讓傳統物理理論得到發展。

Palmerduca表示，雖然在某種意義上，這種機器學習的方法排除了對這種理論的需求，但它也可以被看作是走向一種理論的途徑。

參考鏈接：

on-energy-raises-questions-about-the-very-nature-of-science?seeOriginal=new-machine-learning-theory-that-can-be-applied-to-fusion-energy-raises-questions-about-the-very-nature-of-science

https://www.nature.com/articles/s41598-020-76301-0

（聲明：本文僅代表作者觀點，不代表新浪網立場。）