尽管人工智能系统继续取得长足进步 但它们在应对不可预测性方面仍然不是特别擅长

导读尽管人工智能系统继续取得长足进步，但它们在应对混乱或不可预测性方面仍然不是特别擅长。现在，研究人员认为，他们已经通过教授AI有关

尽管人工智能系统继续取得长足进步，但它们在应对混乱或不可预测性方面仍然不是特别擅长。现在，研究人员认为，他们已经通过教授AI有关物理学的方法找到了解决此问题的方法。

更具体地说，向他们教授哈密​​顿函数，该函数为AI提供有关动态系统整体的信息：其中包含的所有能量，包括动力学和势能。

神经网络旨在将人脑轻松地模拟为复杂的，经过加权的德州农工复杂类型的AI，然后对正在发生的事情有“更大的了解”，这可能为让AI解决越来越难的问题提供可能性。

北卡罗来纳州立大学的物理学家约翰·林德纳说： “哈密顿量确实是一种特殊的调味料，它使神经网络能够学习秩序和混乱。”

“有了哈密顿算子，神经网络以一种传统网络无法理解的方式来理解潜在的动力学。这是迈向物理学的神经网络的第一步，可以帮助我们解决难题。”

研究人员将汉密尔顿函数的引入与摆锤进行了比较-它向AI提供有关摆锤旋转速度及其行进路径的信息，而不是仅向AI显示某一汪峰当我想你的时候时刻的摆锤快照。

新的研究发现，如果神经网络能够理解哈密顿流，那么，在这种类比中，摆在哪里，可能在哪里移动，以及它所具有的能量，那么它们就能更好地管理混沌的有序引入。

不仅如此，还可以提高它们的效率：无需大量额外的神经节点，就能够更好地预测动态，不可预测的结果。它有助于AI快速更全面地了解世界的实际运行方式。

为了测试他们新近改进的AI神经网络，研究人员将其与通季风区和非季风区的分界线常被称为Hénon-Heiles模型的基准进行了比较，该模型最初是为模拟恒星在太阳周围的运动而创建的。

哈密​​顿神经网络成功通过了测试，正确预测了系统在有序和混沌状态下的动力学。

改进后的AI可以用于从诊断医疗状况到驾驶无人驾驶飞机的所有领域。

我们已经看到AI 模拟太空蜡笔小新手机壁纸，诊断医疗问题，升级电影和开发新药，相对而言，该技术才刚刚起步–还在前进。这些新发现应对此有所帮助。

研究人员在论文中写道：“如果混沌是非线性的’超级力量’，从而使确定性动力学几乎不可预测，那么哈密顿量就是一个神经网络’秘密调味料’，它是一种特殊的成分，可以学习和预测阶次和混沌。” 纸。