过去几年间，深度学习的进步已带来许多崭新的AI应用，但其中仍有许多局限存在，为了推动相关技术发展，科学家打算更进一步让人工神经网络向人类看齐：学习物理。
北卡罗莱纳州立大学非线性AI实验室（NAIL）研究人员发现，通过教导神经网络物理知识，可以让它们更好适应环境中的混乱，未来或许还能改善从医疗诊断到无人驾驶的AI应用。
以目前来说，神经网络主要是使用大数据训练，通过大量信息调整数字权重和偏差，最小化实际输出与期望值间的差异，直到答案更接近人所认为的现实情况，借以模仿人类自然神经元进行判断的行为。
然而这种训练方式也有其缺点存在，也就是所谓的“混沌失明”（chaos blindness）：在某些时刻，AI系统就是无法做出预测，或对系统中的混乱做出反应。
在《物理评论E》（Physical Review E）的最新论文中，NAIL研究人员或许已经找到解答。团队发现，发现，哈密顿函数（Hamiltonian function）似乎能帮助神经网络解决这个盲点，在学习哈密顿函数后，神经网络开始能发现系统中的混乱并做出相应的调整。
但学习哈密顿函数对神经网络来说究竟有什么区别？
试着想象一个摆动的钟摆，随着时间推移在空间中来回移动。如果只是在摆动过程中拍下一张照片，照片并无法告诉你钟摆在弧形中的哪个位置或前进方向，而这正是过去神经网络在做决定时所面临的难题。
相较之下，由于哈密顿函数解释了动态物理系统的完整信息，包含动能、位能在内所有能量的总量，熟悉哈密顿函数的神经网络将能掌握更多信息：钟摆在哪里、可能移动的位置及运动所涉及的能量。
在概念验证项目中，NAIL团队将哈密顿结构纳入神经网络中，再将其应用于用来计算恒星和分子动力学的Hénon-Heiles模型，结果显示，即使系统在有序和混沌之间移动，学习了哈密顿结构的神经网络并没有陷入盲目，能够符合需求准确预测。
NAIL客座研究员、伍斯特学院物理学教授John Lindner形容，哈密顿函数就像一种“特殊调味料”，赋给神经网络学习秩序与混乱的能力，有了哈密顿函数，神经网络现在能以一种过去无法做到的方式理解潜在的动力学。
“这是让神经网络精通物理学的第一步，可以帮助我们解决许多难题”。
（首图来源：shutterstock）