ニュートンの法則を使わずに太陽系の惑星の軌道を正確に予測する機械学習モデル
このプログラムは、「サービングアルゴリズム」と呼ばれる追加のプログラムとともに、ニュートンの運動と重力の法則を使わずに、太陽系の他の惑星の軌道を正確に予測した。基本的に、物理学の基本的な要素をすべて迂回した。
太陽系内の惑星の軌道を正確に予測する新しいコンピュータアルゴリズムは、太陽と星の動力源となる核融合エネルギーを地球上に集めるために設計された核融合施設を燃料とするプラズマの挙動をより良く予測し、制御するために適応される可能性がある。
米国エネルギー省(DOE)プリンストンプラズマ物理研究所(PPPL)の科学者が考案したこのアルゴリズムは、経験から学習する人工知能(AI)の一形態である機械学習を応用して予測を展開する。
「通常、物理学では、観測を行い、その観測に基づいて理論を作成し、その理論を使って新しい観測を予測する」と、PPPLの物理学者であり、Scientific Reports誌にこのコンセプトを詳しく紹介した論文を執筆したHong Qinは述べている。「私がやっていることは、このプロセスを、従来の理論や法則を使わずに正確な予測ができるブラックボックスのようなものに置き換えていることだ」。
Qinは、水星、金星、地球、火星、木星、そして矮小惑星セレスの軌道の過去の観測データをコンピュータープログラムに入力した。このプログラムは、「サービングアルゴリズム」と呼ばれる追加のプログラムとともに、ニュートンの運動と重力の法則を使わずに、太陽系の他の惑星の軌道を正確に予測した。基本的に、物理学の基本的な要素をすべて迂回した。
プログラムは偶然正確な予測をすることはない。Qinは、あらゆる物理システムのダイナミクスを決定するために自然に使用される基本的な原理をプログラムに教えたと、Qinの指導の下、プリンストン大学で博士号を取得したDOEのロスアラモス国立研究所の物理学者、Joshua Burbyは述べている。「ペイオフは、非常に少数の訓練例を目撃した後、ネットワークが惑星運動の法則を学習するということだ。言い換えれば、彼のコードは本当に物理学の法則を『学習』しているということだ」
このプロセスは、ジョン・シアーレの『中国の部屋』のような哲学的思考実験にも登場する。このシナリオでは、中国語を知らない人が、理解の代わりとなる一連の指示やルールを使って、中国語の文章を英語や他の言語に「翻訳」することができた。この思考実験は、根本的に何かを理解するとは何を意味するのか、また、理解するということは、ルールに従うこと以外にも心の中で何かが起こっていることを意味するのか、という疑問を投げかけている。
Qinは、オックスフォードの哲学者ニック・ボストロームの「宇宙はコンピュータのシミュレーションである」という哲学的な思考実験に着想を得ている。もしそれが本当ならば、基本的な物理法則は、宇宙がビデオゲームのピクセルのような時空の個々の塊で構成されていることを明らかにしなければならない。「もし私たちがシミュレーションの中に住んでいるのであれば、私たちの世界は離散的でなければなりません」とQinは言う。Qinが考案したブラックボックス技術は、物理学者がシミュレーションの予想を文字通り信じる必要はないが、正確な物理的予測を行うプログラムを作成するためには、この考えに基づいている。
プリンストン大学のプラズマ物理学プログラムの大学院生であるEric PalmerducaとQinは、現在、世界中の科学者が行っている核融合実験において、離散場理論を使ってプラズマの粒子の振る舞いを予測する方法を開発している。最も広く使われている核融合施設は、強力な磁場の中にプラズマを閉じ込めるドーナツ型のトカマクである。
太陽や星の動力源である核融合は、可視宇宙の99%を占める自由電子と原子核からなる高温の荷電状態の物質であるプラズマの形をした軽元素を結合させ、大量のエネルギーを発生させるものである。科学者たちは、発電するための電力を事実上無尽蔵に供給するために、地球上で核融合を再現しようとしている。
「磁気核融合装置では、プラズマのダイナミクスは複雑でマルチスケールであり、私たちが興味を持っている特定の物理過程の有効な支配法則や計算モデルが必ずしも明確ではありません」とQinは述べている。「このようなシナリオでは、私が開発した機械学習技術を適用して離散場理論を作成し、この離散場理論を適用して新しい実験観測を理解し、予測することができる」
このプロセスは、科学の本質そのものに疑問を投げかけている。科学者は、単にデータを集めるだけではなく、世界を説明する物理学の理論を開発したいのではないでしょうか?理論は物理学の基本であり、現象を説明し理解するために必要なものではないのでしょうか?
「科学者の究極の目標は予測であると私は主張する。必ずしも法則が必要なわけではないかもしれない。例えば、惑星の軌道を完璧に予測することができれば、ニュートンの重力と運動の法則を知る必要はない。そうすることで、ニュートンの法則を知っている場合よりも理解が浅くなると主張することができる。ある意味ではその通りだ。しかし、実用的な観点からは、正確な予測をすることは、より少ないことをしているわけではない」。
「機械学習は、より多くの研究の可能性を開く可能性もある。必要なのはデータだけなので、取り組むことができる問題の範囲が大幅に広がる」とPalmerducaは述べている。
この手法は、従来の物理理論の発展にもつながる可能性がある。「ある意味では、この方法はそのような理論の必要性を排除しているが、そのような理論への道筋として見ることもできる」とPalmerducaは述べている。「理論を推論しようとするときには、できるだけ多くのデータを用意したいものだ。ある程度のデータが与えられたら、機械学習を使ってそのデータの隙間を埋めたり、そうでなければデータセットを拡張したりすることができる」。
本記事は、米国エネルギー省(DOE)プリンストンプラズマ物理研究所(PPPL)のリリースをもとに作成した。
参考文献
- Hong Qin. Machine learning and serving of discrete field theories. Scientific Reports, 2020; 10 (1) DOI: 10.1038/s41598-020-76301-0
Image via PPPL
Special thanks to supporters !
Shogo Otani, 林祐輔, 鈴木卓也, Mayumi Nakamura, Kinoco, Masatoshi Yokota, Yohei Onishi, Tomochika Hara, 秋元 善次, Satoshi Takeda, Ken Manabe, Yasuhiro Hatabe, 4383, lostworld, ogawaa1218, txpyr12, shimon8470, tokyo_h, kkawakami, nakamatchy, wslash, TS, ikebukurou, 太郎, bantou.
700円/月の支援
Axionは吉田が2年無給で、1年が高校生アルバイトの賃金で進めている「慈善活動」です。有料購読型アプリへと成長するプランがあります。コーヒー代のご支援をお願いします。個人で投資を検討の方はTwitter(@taxiyoshida)までご連絡ください。
投げ銭
投げ銭はこちらから。金額を入力してお好きな額をサポートしてください。