Комментарии 4
Спасибо за перевод. Интересная тема и полезные ссылки.
Навеяло)
Каков выход? Либо пока нет эмпирических данных необходимых для разработки новой теории, или завершения ТС (нет решающего эксперимента или наблюдения, и эта возможность может появится со строительством нового поколения ускорителей, детекторов и телескопов), либо эти данные уже содержатся в зеттабайтах информации накопленной БАКом, др. ускорителями и телескопами, но когнитивные возможности человека и целых коллабораций с их информационным обеспечением уже не достаточны для ее извлечения (интуитивные возможности человека также не беспредельны, эволюционный опыт значительно обширнее культурно-исторического, но также конечен). Решение может быть найдено в привлечении ИИ на базе ИНС (это могут быть квантовые или/и нейроморфные решения). Тренд связанный с привлечение ИНС для решения физических проблем быстро нарастает с освоением физиками этого метода (в этом коменте приведены некоторые примеры). Это может выявить новые закономерности в этих данных и построить модель, которая может правильно описывать имеющиеся факты и предсказывать новые, но быть не прозрачной. Проблема сродни интерпретации внутренних моделей ИНС уже имеющихся технологий типа автопилотов машин, когда они совершают ДТП. На решение проблемы интерпретируемости внутренних вероятностных моделей ИНС в настоящее время тратятся большие усилия (см. для примера 1, 2, 3, 4, 5; по другой терминологии объяснимости моделей машинного обучения — 1, 2). Очевидно, эта задача намного более общая и сложная нежели задача интерпретации параметров моделей подгонки в символических системах описанных в статье. Эти системы могут входить в состав нейросетевых решений, и использоваться хотя бы для частичной факторизации построенных ими моделей. Является ли принципиальным, что, например, возможная будущая нейросетевая модель кв. гравитации может частично содержать не интепретируемые параметры и неформализованную часть? Конечно нет. Пример тому уже имеются в интерпретации кв. механики, кот. содержит не интуитивные, однозначно не интерпретируемые моменты типа состояний суперпозиции и запутанности, но выдающей практические приемлемые решения.
Другой вопрос, как включить такие нейросетевые решения в социокультурную среду в будущем, как общаться с ними? Возможно для этого человеку придется расширить свои когнитивные возможности, как когда-то у млекопитающих появился появился неокортекс, как надстройка над древним мозгом пресмыкающихся (говоря очень упрощенно) из-за усложнения поведения. Который создал иллюзию макроскопической реальности вокруг и интуиции оперирования в ней, в наивысшей форме у человека, так и новый нейросетевой слой ИИ (физически он может быть в облаке) может послужить надстройкой над неокортекстом, создав новые видения реальности и включения в социокультурную среду с искусственными агентами. Как-то так, а пока вернемся в Васюки)
Иногда физики приходят к великим открытиям путём рассуждений, например как Альберт Эйнштейн, который пришёл к пониманию податливости пространства и времени, представив один луч света с точки зрения другого. Но чаще теории рождаются в результате длительной обработки данных.Речь о связи пространства и времени, кот. выражается в преобразованиях названных позже преобразованиями Лоренца. Важным моментом является, что рассуждения Эйнштейна были основаны на эмпирически подтвержденном факте постоянства ск. света, кот. он придал общефизическое значение. Это было интуитивно правильным предположением, кот. при учете других известных фактов классической физики, и использования относительно простой математики (далее развитой Минковским), привело его к построению формализма СТО. В этом ключевой момент разницы между символьными системами («машинными учеными»), описываемыми в статье, и нейросетевыми решениями. «Интуиция» ИНС моделирует эволюционную интуицию сложившуюся за миллиарды лет эволюции жизни на Земле, и «прошитую» в мозге на разных уровнях его организации. Символические системы моделируют практику формализации сложившуюся в ходе развития человека в социокультурной среде, наряду с языком и мышлением (можно сказать, что это «схваченная» и зафиксированная часть эволюционной интуиции ограниченная практикой всего человечества). Первая больше подходит для решения фундаментальных проблем, вторая прикладных вопросов. Вторая может поднять на новый уровень сопромат) но вряд ли кардинально повлияет на создание общепринятой, подтвержденной теории кв. гравитации. Почему? Прикладные модели использую уже известные формализмы, и требуют только интерпретации его параметров. Фундаментальные могут требовать создание нового формализма, в общем случае новых форм описания и представления. Ньютон разработал мат. анализ для классической механики, создание др. фундаментальных теорий потребовало существенной доработки подходящих формализмов. Наглядный пример текущая ситуация с ТС разработка которой стартовала не с попытки объяснения новых эмпирических фактов, а поиска формализма объединяющего уже известных и успешно описываемых старыми теориями — КТП и ОТО. Результат предсказуемый, никаких новых проверяемых предсказаний она не дает. В каком-то смысле ТС остается обширной прикладной теорией. Хотя она стимулировала разработку новых формальных методов, кот. могут быть востребованы в будущем.
Каков выход? Либо пока нет эмпирических данных необходимых для разработки новой теории, или завершения ТС (нет решающего эксперимента или наблюдения, и эта возможность может появится со строительством нового поколения ускорителей, детекторов и телескопов), либо эти данные уже содержатся в зеттабайтах информации накопленной БАКом, др. ускорителями и телескопами, но когнитивные возможности человека и целых коллабораций с их информационным обеспечением уже не достаточны для ее извлечения (интуитивные возможности человека также не беспредельны, эволюционный опыт значительно обширнее культурно-исторического, но также конечен). Решение может быть найдено в привлечении ИИ на базе ИНС (это могут быть квантовые или/и нейроморфные решения). Тренд связанный с привлечение ИНС для решения физических проблем быстро нарастает с освоением физиками этого метода (в этом коменте приведены некоторые примеры). Это может выявить новые закономерности в этих данных и построить модель, которая может правильно описывать имеющиеся факты и предсказывать новые, но быть не прозрачной. Проблема сродни интерпретации внутренних моделей ИНС уже имеющихся технологий типа автопилотов машин, когда они совершают ДТП. На решение проблемы интерпретируемости внутренних вероятностных моделей ИНС в настоящее время тратятся большие усилия (см. для примера 1, 2, 3, 4, 5; по другой терминологии объяснимости моделей машинного обучения — 1, 2). Очевидно, эта задача намного более общая и сложная нежели задача интерпретации параметров моделей подгонки в символических системах описанных в статье. Эти системы могут входить в состав нейросетевых решений, и использоваться хотя бы для частичной факторизации построенных ими моделей. Является ли принципиальным, что, например, возможная будущая нейросетевая модель кв. гравитации может частично содержать не интепретируемые параметры и неформализованную часть? Конечно нет. Пример тому уже имеются в интерпретации кв. механики, кот. содержит не интуитивные, однозначно не интерпретируемые моменты типа состояний суперпозиции и запутанности, но выдающей практические приемлемые решения.
Другой вопрос, как включить такие нейросетевые решения в социокультурную среду в будущем, как общаться с ними? Возможно для этого человеку придется расширить свои когнитивные возможности, как когда-то у млекопитающих появился появился неокортекс, как надстройка над древним мозгом пресмыкающихся (говоря очень упрощенно) из-за усложнения поведения. Который создал иллюзию макроскопической реальности вокруг и интуиции оперирования в ней, в наивысшей форме у человека, так и новый нейросетевой слой ИИ (физически он может быть в облаке) может послужить надстройкой над неокортекстом, создав новые видения реальности и включения в социокультурную среду с искусственными агентами. Как-то так, а пока вернемся в Васюки)
Ничего не понял. Есть стандартный математический прием для обработки данных, если хочешь найти в них закономерность. Называется он - автокорреляция. На следующем этапе (если автокорреляция показала наличие закономерности) путем перебора вычленяешь закономерность и проводишь аппроксимацию (тоже стандартный математический прием). В чем особенность этих машинных ученых?
Мне кажется, в переводе недостаточно часто используются абзацы из одного-единственного предложения.
Но нет, в оригинальной статье абзацы нормального размера.
И она гораздо понятнее.
Похоже, машинный переводчик изнасиловал машинного учёного.
«Может это не вина переводчиков?» — подумал я. — «Весь этот рваный стиль, постоянные перебивки плавного потока внезапными вставками — это бич современной журналистики.»
Но нет, в оригинальной статье абзацы нормального размера.
И она гораздо понятнее.
Похоже, машинный переводчик изнасиловал машинного учёного.
Алгоритм на основе данных и всех мат.операций подобрал уравнение для темной материи. Что это дает? Да ничего. Если взять данные о людях, животных, % разводов в Индии и высоте деревьев в Сибири и их замешать, то можно тоже получить какое-нибудь уравнение для темной материи.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Как «машинные учёные» выводят законы физики из необработанных данных