تدریس فیزیک به کمک شبکه های عصبی حذف ‘هرج و مرج کوری’

محققان از دانشگاه ایالتی کارولینای شمالی کشف کرده اند که از تدریس فیزیک به کمک شبکه های عصبی را قادر می سازد کسانی که در شبکه برای سازگاری بهتر به هرج و مرج در محیط زیست خود را. این کار عواقبی برای بهبود هوش مصنوعی (AI) برنامه های کاربردی اعم از پزشکی تشخیص خودکار خلبانی هواپیماهای بدون سرنشین.

شبکه های عصبی یک نوع پیشرفته از AI آزادانه در راه است که مغز ما کار می کنند. ما طبیعی سلول های عصبی تبادل پیامهای الکتریکی با توجه به قوت خود اتصالات. شبکه های عصبی مصنوعی تقلید این رفتار با تنظیم عددی وزن و تعصبات در طول جلسات آموزشی برای به حداقل رساندن تفاوت بین خود واقعی و مورد نظر خروجی. برای مثال یک شبکه عصبی آموزش می تواند به شناسایی عکس ها از سگ ها با الک را از طریق تعداد زیادی از عکس ها, ساخت یک حدس در مورد اینکه آیا این عکس از یک سگ, دیدن چگونه دور آن است و سپس تنظیم آن وزن و تعصبات تا زمانی که آنها نزدیک به واقعیت است.

اشکال به این شبکه عصبی آموزش چیزی است به نام “هرج و مرج کوری” – ناتوانی در پیش بینی و یا پاسخ دادن به هرج و مرج در سیستم. معمولی و هوش مصنوعی است که هرج و مرج کور. اما محققان از NC دولت غیر خطی هوش مصنوعی آزمایشگاهی (ناخن) دریافته اند که ترکیب یک تابع هامیلتونی به شبکه های عصبی بهتر است آنها را قادر به “دیدن” هرج و مرج در درون یک سیستم و انطباق درآمده است.

به عبارت ساده هامیلتونی مظهر اطلاعات کامل در مورد پویا سیستم فیزیکی – کل مبلغ تمام انرژی در حال حاضر جنبشی و پتانسیل است. تصویر یک نوسانی آونگ در حال حرکت به عقب و جلو در فضا در طول زمان است. در حال حاضر نگاهی به تصویر لحظهای از آن آونگ. عکس فوری می توانم به شما بگویم که در آن است که آونگ است که در آن قوس و یا که در آن است رفتن بعدی. معمولی شبکه های عصبی کار از یک تصویر لحظهای از آونگ. شبکه های عصبی آشنایی با هامیلتونی جریان درک تمامیت آونگ حرکت – که در آن است که در آن از آن خواهد شد و یا می تواند توان و انرژی درگیر در حرکت آن است.

در یک اثبات مفهوم پروژه ناخن تیم گنجانیده شده هامیلتونی ساختار به شبکه های عصبی و سپس اعمال آنها را به یک مدل شناخته شده از ستارگان و دینامیک مولکولی به نام Hénon-Heiles مدل. هامیلتونی شبکه عصبی با دقت پیش بینی پویایی سیستم حتی آن را به عنوان نقل مکان کرد و بین نظم و هرج و مرج.

“هامیلتونی است که واقعا ‘سس’ است که به شبکه های عصبی توانایی یادگیری نظم و هرج و مرج می گوید:” جان ویلانوا بازدید از محقق در ناخن, استاد فیزیک در کالج ووستر و نویسنده مسئول مقاله توصیف کار می کنند. “با هامیلتونی شبکه عصبی درک اساسی پویایی در راه است که شبکه های معمولی نمی توانند. این اولین گام به سوی فیزیک-زرنگ و دانا شبکه های عصبی است که می تواند کمک به ما در حل مشکلات سخت.”

این کار به نظر می رسد در نقد و بررسی فیزیکی E و پشتیبانی در قسمت توسط دفتر تحقیقات نیروی دریایی (grant N00014-16-1-3066). NC State پژوهشگر فوق دکترا Anshul Choudhary است که نویسنده اول. لایحه ایضا استاد فیزیک در NC دولت است مدیر ناخن. بازدید از محقق Scott Miller; Sudeshna سینها از هند موسسه آموزش علوم و تحقیقات محلی و NC State دانشجوی کارشناسی ارشد الیوت هالیدی نیز به این کار می کنند.

###

توجه به ویراستاران: انتزاعی شرح زیر است.

“فیزیک پیشرفته شبکه های عصبی پیش بینی نظم و هرج و مرج”

DOI: 10.1103/PhysRevE.101.062207

نویسندگان: Anshul چودری الیوت G. Holliday, Scott T. Miller, William L. ایضا دانشگاه ایالتی کارولینای شمالی; John F. Lindner, NC امور خارجه و کالج ووستر; Sudeshna سینها, NC امور خارجه و موسسه آموزش علوم و تحقیقات محلی

انتشار: آنلاین در Physical Review E

چکیده:
شبکه های عصبی مصنوعی در حال جهانی function approximators. آنها می توانند پیش بینی دینامیک, اما آنها ممکن است نیاز impractically بسیاری از سلول های عصبی برای انجام این کار به خصوص اگر پویایی پر هرج و مرج است. ما با استفاده از شبکه های عصبی است که ترکیب دینامیک هامیلتونی به نحو احسن یاد فضای فاز مدار حتی به عنوان غیر خطی سیستم های انتقال از سفارش به هرج و مرج. ما نشان می دهد هامیلتونی شبکه های عصبی در یک به طور گسترده ای استفاده می شود پویایی معیار های Hénon-Heiles بالقوه و در nonperturbative دینامیکی بیلیارد. ما در فرو رفتن به روشن کردن هامیلتونی شبکه عصبی در پیش بینی.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.

tinyurlis.gdclck.ruulvis.netshrtco.de