Ezek az univerzumok persze csak elméletben működnek egyelőre, de így is nagy áttörésről van szó. Az MIT két kutatója ugyanis olyan mesterséges intelligenciát hozott létre, amely képzeletbeli világok fizikai törvényeit képes meghatározni, így nagy segítséget jelenthet nemcsak a gépi tanulás (machine learning), hanem a jövőkutatás területén is.

Egy gépet megtanítani arra, hogy modelleket építsen, nem egyszerű feladat. Jó példa erre, ha egy képfelismerő rendszernek nem mi mondjuk meg, hogy milyen szempontok alapján azonosítson adott objektumokat, hanem hagyjuk neki, hogy saját maga „jöjjön rá” a megfelelő azonosítási pontokra, és ezeket tudja is alkalmazni, amikor egy új képpel találkozik. Ezt többféleképpen is el lehet érni. Tegyük fel például, hogy macskák azonosítására van szükségünk különböző fotókon. Ilyenkor azt tehetjük, hogy keresünk, mondjuk, 10.000 macskákról készült képet, és a programra bízzuk, hogy találja ki, mi a közös a képekben, majd dolgozzon ki ebből egy olyan modellt, ami a macskák „macskaságára” vonatkozik. Egy jó modell pontosan leírja a megfelelő jellemzőket, a nem odavalókat pedig nagy valószínűséggel ki fogja zárni.

A problémát az jelentheti, ha a 10.000 betáplált kép között például erdőben ülő macskák vannak, és a rendszer nem tudja kiszűrni, melyek a lényeges elemek, melyek lényegtelenek (a fák). Ha erre nem jön rá, hibásan azt a következtetést vonhatja le, hogy a macska erdőben élő állat, és egy ágyon fekvő példányt már nem tud sikeresen azonosítani.

Mi lehet erre a problémára a megoldás?

A kutatók azt találták ki, hogy érdemes először kisebb elméleteket gyártatni a programmal, majd ezeket összerakva megalkotni egy nagyobb, általánosabb modellt. Ez segít a hibák kiküszöbölésében, precízebb végeredményt ad.

Tailin Wu és Max Tegmark ebbe az irányba tettek nagy lépést új eredményeikkel, amelyeket az arXiv-en publikáltak.

A megoldás legfontosabb eleme, hogy a program a modellalkotás során négy stratégai elvet követ. Ezek: az oszd meg és uralkodj elve (sok kisebb volumenű elmélet gyártására van szükség, amelyek egy adott adattípushoz illeszkednek), Occam borotvája (ha egy adattípusra több elmélet is alkalmazható, akkor ezek közül mindig a legegyszerűbbet kell alkalmazni, „leborotválva” a felesleget), egységesítés (az elméleteket egyben kell kezelni), az életen át tartó tanulás (a programnak meg kell próbálnia alkalmazni az elméletet jövőbeli problémákra is).

Miután ezeket az alapokat lefektették, a kutatók egy bonyolult virtuális valóságról kitalált adathalmazzal látták el a programot, majd ehhez adtak egy sor furcsa fizikai törvényt is, amelyek nem hasonlíthatóak létező világunk törvényeihez. Ezután azt a feladatot adták neki, hogy számítsa ki kétdimenziós környezetben egy tárgy mozgását.

A megoldás kikalkulálása nem ment egyszerűen, de a komplex feladat ellenére az AI-fizikusnak sikerült negyven virtuális világ fizikai törvényeinek hatását 90%-os pontossággal meghatározni. Ezzel milliárdos mértékben lett pontosabb egy esemény kimenetelének a megjósolása egy egyszerű algoritmusok alapján számoló gép tudásához képest.

Hegyi Heni, NEW technology