物理学中的人工智能（AI）我们正面临科学革命吗？

　　人工智能重新构造了牛顿第二定律，并发现了以前未知的暗物质质量计算公式。人工智能可以使科学自动化吗？
　　科学的核心是两个基本组成部分：观察和逻辑。前者生成数据，然后我们可以从中使用逻辑来识别规律性，并用数学语言来表述它们。公式化后，数学公式不仅仅是对数据的描述，它使我们能够进行预测并发现以前未知的关系。
　　为什么数学如此适合于自然法则尚不清楚。理论物理学家和数学家尤金·维格纳在他的论文《自然科学中数学的不合理有效性》中写道，这一事实是＂我们既不理解也不应该得到的奇妙礼物＂。
　　没有数据和数学的相互作用，我们的文明将永远不会出现。但是，数据越广泛，关系越复杂，找到正确描述数据规律性的数学公式通常花费的时间就越长。
　　如果你想在数学课程中从二维坐标系中的数据中读取线性函数，则可以在5分钟内完成操作。对于更复杂的任务，情况有所不同：物理学家，例如，近一百年来一直试图将量子理论和相对论结合起来。物理学家李·斯莫林说，如果成功的话，可能需要几代人的时间才能弄清这种影响。如果AI像哥伦布，那么计算能力就是圣玛丽亚
　　人工智能可以加速数学描述的发现吗？如果可以利用计算能力使科学实现自动化，则科学进步可能会受到摩尔定律的约束，并会大大增加。
　　AI模型已经可以用来对复杂的数据关系建模并做出预测。从本质上讲，该过程很简单：收集数据、训练AI并进行预测。这适用于面部检测器以及可以高精度预测空间中三个物体运动的AI。
　　但是黑匣子神经网络使得几乎不可能了解网络内部发生了什么。即使有可能获得洞察力，在深层神经网络中学习关系的表示也离寻求的数学描述相去甚远。符号回归产生数学描述
　　符号回归的方法可以改变这一点。它可以用来从网络内部表示的关系中得出数学公式。符号回归是作为遗传算法执行的。装有变量和数学运算符，该算法搜索可以复制已知数据的最简单数学公式。
　　符号回归产生数学描述
　　为此，它会生成大量公式，将其预测与已知数据进行比较，仅采用近似实际数据的公式。然后，对尚存的公式进行修改并再次进行相对度量。在该过程结束时，通常可以对现有数据进行大致正确的复制，并使用简单的数学公式。从力学的基本方程式开始
　　研究人员现在使用这种方法来描述粒子的运动和暗物质的质量分布。为此，他们使用了所谓的神经图网络（GNN）。
　　这些神经网络依赖于图形，而不是一个接一个地排列。图由多个顶点组成，这些顶点彼此相连（边缘）。节点包含通过连接传递到相邻节点的信息，因此会更改接收器点的状态。通过这种方式，每个节点逐渐接收有关整个图的信息。
　　神经图网络特别适合于映射物理系统，因为它们通常由单个单元（例如粒子）之间的相互作用组成。例如，如果要预测几个粒子的运动，则节点存储有关单个粒子的信息，例如坐标，运动的最后方向和质量。
　　一对节点对应于两个相互作用的粒子。这些连接包含有关来自邻居的作用在相应粒子（节点）上的力的信息。整个系统可以得出单个粒子的加速度。如果用相应的粒子运动的数据集训练GNN，它对粒子相互作用的映射就会越来越好。
　　博士生克兰默领导的研究人员现在已经训练了GNN，并使用符号回归从网络中得出了力学的基本方程式-力是质量乘以加速度。
　　他们的结果清楚地表明，数据，神经图网络和符号回归的混合实际上适用于从具有AI的数据中提取数学公式（在这种情况下为已知的自然定律）。借助人工智能计算暗物质
　　在这一成功的刺激下，克兰默及其同事转向了宇宙学研究的当前领域：他们希望根据其他暗物质的性质来计算暗物质积累的某种宇宙学性质（密度过大）物质在其环境中的积累。
　　暗物质构成了宇宙中所有物质的约85％，聚集在巨大的结构中，从而形成了引力池，即所谓的暗物质晕。可见物质聚集在这些盆地中并形成恒星和星系。
　　研究人员再次使用了神经石墨烯网络。每个节点都包含有关暗物质晕的信息，例如位置，速度和质量，并以50 Mpc / h的距离连接到其他晕。该网络接受了Quijote暗物质模拟（生成的暗物质结构的集合）中的数据训练。
　　借助人工智能计算暗物质
　　训练后，GNN能够比以前的模型更准确地预测光环的所需属性。使用符号回归，研究人员随后能够生成一个以前未知的数学公式，该数学公式的错误率低于当前用于同一任务的最常用的人工公式。
　　由此产生的公式还能够更好地处理以前未知的数据。对于克兰默来说，这是一个明显的信号，表明数学公式的泛化能力远胜于其衍生的神经图网络。克兰默说，这与我们以前的物理学经验相吻合：＂简单符号模型的语言正确地描述了宇宙。＂
　　克兰默和他的同事的成功表明，在研究中使用人工智能可以导致发现以前未知的公式。这将使理论物理学家的工作更加容易。但是发现本身只是第一步，之后必须将新公式与已知公式组合并推导。