不再需要传统物理理论，机器学习可直接准确预测行星运动

　　编译/大路
　　近来，有一种新的算法或者说是一套新的规则，能够预测太阳系行星轨道，也可以更好地预测并控制「为核聚变反应堆提供燃料的等离子体」。该算法由美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)的科学家秦宏教授设计，其核心是应用「机器学习」来预测等离子体的运动。
　　「在物理学中，通常大家会先进行实际观测，再根据这些观测结果创建一个理论，然后用这个理论来预测新的观测结果，」秦宏教授说，「而我所做的是用『黑匣子』来代替这个过程，它可以在不使用传统理论或规律的情况下作出准确的预测。」
　　图示：普林斯顿大学秦宏教授
　　秦宏教授开发了一个新的计算机程序，将过去对水星、金星、地球、火星、木星和矮行星谷神星轨道的观测数据输入其中。这个程序和一个被称为「服务算法」（serving algorithm）的副程序联合使用，可以在不使用牛顿万有引力定律的情况下，对太阳系中其他行星的轨道进行准确的预测。「基本上，我绕过了所有物理学的基本理论。我的研究是直接从数据到数据，这之间没有物理定律。」
　　当然，计算机程序也不能轻易地达到准确预测。「秦洪教授教给该程序自然界中用来确定任何物理系统动态的基本原理，」美国能源部Los Alamos国家实验室的物理学家约书亚-伯比（Joshua Burby）说，他之前在秦宏教授的指导下于普林斯顿大学获得了博士学位。「计算机神经网络在见证了极少的训练例子后，就能学会行星运动的规律。换句话说，他的代码真的像人一样在『学习物理规律』。」
　　「机器学习」是谷歌翻译等计算机程序得以实现的原因。谷歌翻译通过筛选大量信息来确定「一种语言中的一个词被翻译成另一种语言中的一个词」的频率。然后通过这种方式，电脑程序就可以在没有实际学习任何一种语言的情况下进行准确的翻译。
　　图示：哲学思想实验「中文房间」（来源：cse.iitk.ac.in）
　　这个过程也出现在哲学思想实验中，比如约翰-塞尔（John Searle）的实验「中文房间」。在实验下，一个不懂中文的人，却可以通过一套指令或规则，将中文句子「翻译」成英文或任何其他语言，从而代替「学习理解」的过程。这个思想实验因此也提出了这样的问题：从根本上说，理解任何东西到底意味着什么，「理解」这个过程是否意味着除了遵循规则之外，大脑中还发生了其他事情？
　　秦宏教授的灵感部分来自于牛津大学哲学家尼克-博斯特罗姆（Nick Bostrom）的哲学思想实验，即我们的宇宙其实是一个计算机模拟世界。如果这是真的，那么基本的物理定律应该揭示出宇宙是由各个「时空块」（chunks of space-time）组成的，就像电子游戏中的像素一样。「如果我们生活在计算机程序模拟的世界中，我们的世界就必须是离散的。」秦教授说。当然，他设计的「黑匣子」技术也并不要求物理学家相信「我们的世界是虚拟的」这一理论。
　　由此产生的像素化的世界观，类似于电影《黑客帝国》中的描述，被称为离散场理论，它将宇宙看成是由一个个「比特」（bit）组成的。与人们通常创造的假说不同，科学家们一般会设计出物理世界行为方式的总体概念，而计算机只是集合了一系列数据点。
　　秦教授和普林斯顿大学等离子体物理学项目的研究生埃里克-帕默杜卡（Eric Palmerduca）表示，现在正在开发「使用离散场理论来预测核聚变实验中等离子体粒子行为」的方法。
　　核聚变是「驱动」太阳和恒星的动力，它将氢元素以等离子体的形式结合起来（等离子体是由自由电子和原子核组成的热的、带电的一种物质状态，代表了可见宇宙的99%的部分），从而产生大量的能量。当今科学家们正在进行的研究就是在地球上「复制核聚变」，以获得几乎取之不尽用之不竭的发电动力。
　　图示：磁聚变装置示意图（来源：Princeton）
　　「在磁聚变装置（magnetic fusion device）中，等离子体动力学是复杂的、多尺度的，所以某些物理过程中的有效调控规律或计算模型并不总是清晰的，」秦教授说，「在这些场景下，我们可以应用我开发的机器学习技术来创建一个离散场理论，然后应用这个离散场理论来理解和预测新的实验观测结果。」
　　这个过程也开启了对科学本质的质疑：科学家们难道不想得出能解释世界的物理理论吗？只是简单地积累数据可行吗？难道物理理论不是解释和理解世界的基础吗？
　　秦教授说：「我认为，任何科学家的最终目标都是预测。其实你可能并不一定需要一个定律。例如，如果我可以完美地预测行星轨道，那我就不需要知道牛顿的引力和运动定律。你当然可以说，这样做会比知道牛顿定律的人理解得更少。但从实际的角度来看，只要能做出完全准确的预测就能实现任何我们想要的。」
　　此外，机器学习还可以为更多的研究提供更多可能性。「它大大拓宽了你可以解决的问题范围，因为你需要的只是数据，」帕默杜卡说。
　　该技术还能促进传统物理理论的发展。「虽然在某种意义上，这种方法排除了对物理理论的需求，但它也可以被看作是探索一种新理论的途径，」帕默杜卡说，「当你试图推导出一个理论时，你会希望有尽可能多的数据供你支配。而当你得到了一些不完全数据时，你也可以使用机器学习来填补这些数据的空白，或者以其他方式扩大数据集。」
　　https://www.newswise.com/articles/new-machine-learning-theory-that-can-be-applied-to-fusion-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