Допустим, у вас есть передовой гаджет, способный взломать любой сейф в мире, но вы понятия не имеете, как он работает. Что же делать? Можно взять более старый инструмент для взлома сейфов - надежный ломик, например. С помощью этого рычага можно открыть гаджет, заглянуть в его внутренности и попытаться сделать реверс-инжиниринг. Как оказалось, именно это ученые только что сделали с математикой.
Исследователи изучили глубокую нейронную сеть - один из видов искусственного интеллекта, который, как известно, загадочен изнутри, - с помощью хорошо известного вида математического анализа, который физики и инженеры используют уже несколько десятилетий. Исследователи опубликовали свои результаты в журнале PNAS Nexus 23 января. Их результаты указывают на то, что их ИИ выполняет многие из тех же расчетов, которые люди уже давно выполняют самостоятельно.
Авторы статьи обычно используют глубокие нейронные сети для прогнозирования экстремальных погодных явлений или для других климатических приложений. В то время как более точные местные прогнозы могут помочь людям планировать даты посещения парка, предсказание ветра и облаков может также помочь операторам возобновляемых источников энергии планировать, что поставить в сеть в ближайшие часы.
"Мы уже давно работаем в этой области, и мы обнаружили, что нейронные сети являются действительно мощными в работе с такого рода системами", - говорит Педрам Хассанзаде, инженер-механик из Университета Райса в Техасе и один из авторов исследования.
Сегодня метеорологи часто занимаются подобным прогнозированием с помощью моделей, требующих огромных суперкомпьютеров. Глубоким нейронным сетям требуется гораздо меньше вычислительной мощности для выполнения тех же задач. Легко представить себе будущее, в котором любой может запустить эти модели на ноутбуке в полевых условиях.
ИИ существует во многих формах; глубокие нейронные сети - лишь одна из них, хотя и очень важная. Нейронная сеть состоит из трех частей. Скажем, вы создаете нейронную сеть, которая идентифицирует животное по его изображению. Первая часть может преобразовать изображение в данные; средняя часть может проанализировать данные; и последняя часть может сравнить данные со списком животных и вывести наилучшие совпадения.
Что делает глубокую нейронную сеть "глубокой", так это то, что ее создатели расширяют эту среднюю часть в гораздо более запутанный процесс, состоящий из нескольких слоев. Например, каждый слой глубокой сети, наблюдающей за изображением, может анализировать последовательно более сложные участки изображения.
Такая сложность делает глубокие нейронные сети очень мощными, и они послужили источником многих впечатляющих подвигов ИИ в последнее время. Одной из их первых способностей более десяти лет назад была расшифровка человеческой речи в слова. В последующие годы они раскрашивали изображения, отслеживали финансовые махинации и разрабатывали молекулы лекарств. И, как продемонстрировала группа Хассанзаде, они могут предсказывать погоду и прогнозировать климат.
Проблема для многих ученых заключается в том, что никто не может увидеть, что делает сеть, из-за того, как эти сети создаются. Сеть обучают, ставя перед ней определенную задачу и снабжая ее данными. По мере того, как новорожденная сеть переваривает все больше данных, она настраивается на лучшее выполнение задачи. В итоге получается "черный ящик" - инструмент, внутренности которого настолько запутаны, что даже его создатели не могут их полностью понять.
Специалисты по искусственному интеллекту посвятили бесчисленное количество часов своей жизни поиску лучших способов разглядывания своих творений. Это уже трудно сделать с простой сетью распознавания изображений. Еще сложнее понять глубокую нейронную сеть, которая вычисляет такую систему, как климат Земли, состоящую из множества подвижных частей.
Тем не менее, вознаграждение за работу стоит того. Если ученые знают, как работает их нейронная сеть, они могут не только больше узнать о своих собственных инструментах, но и подумать о том, как адаптировать эти инструменты для других целей. Например, они могут создавать модели прогнозирования погоды, которые будут лучше работать в мире с большим количеством углекислого газа в воздухе.
Итак, у Хассанзаде и его коллег возникла идея применить анализ Фурье - метод, который десятилетиями прочно сидел в инструментарии физиков и математиков, - к своему ИИ. Представьте анализ Фурье как акт перевода. Конечный язык представляет набор данных как сумму более мелких функций. Затем можно применить определенные фильтры, чтобы отсеять части этой суммы, позволяя увидеть закономерности.
Как оказалось, их попытка увенчалась успехом. Хассанзаде и его коллеги обнаружили, что то, что делала их нейронная сеть, по сути, было комбинацией тех же фильтров, которые используют многие ученые.
"Это лучше связывает внутреннюю работу нейронной сети с тем, чем физики и прикладные математики занимались последние несколько десятилетий", - говорит Хассанзаде.
Если он и его коллеги правы в отношении работы, которую они только что опубликовали, то это означает, что они открыли - слегка - то, что может показаться волшебством, с помощью лома, сделанного из математики, которой ученые занимаются уже более века.