这个AI能在人类看到混乱的地方发现简单规律

该系统的灵感来源于历史上伟大的'动力学家'——即研究随时间变化系统的科学家。正如常被视为首位动力学家的艾萨克·牛顿提出了力与运动关系的方程，这种人工智能会分析展示复杂系统如何演变的数据，进而生成能准确描述其行为的方程。

这种方法的独特之处在于其处理复杂问题的能力远超人类。人工智能能够处理包含数百甚至数千个相互作用变量的非线性系统，并将其简化为维度少得多的简单规则。

理解随时间变化的新工具 这项研究于12月17日在线发表在《npj复杂性》期刊上，为科学家提供了一种强大的新方法，即利用人工智能研究随时间演变的系统——包括天气模式、电路、机械装置和生物信号。

'科学发现始终依赖于为复杂过程找到简化的表示方式，'杜克大学通用机器人实验室主任、机械工程与材料科学系狄金森家族助理教授陈博远表示，'我们越来越多地拥有理解复杂系统所需的原始数据，但缺乏将这些信息转化为科学家所依赖的简化规则的工具。弥合这一差距至关重要。'

简化的一个经典例子来自物理学。炮弹的轨迹取决于许多因素，包括发射速度和角度、空气阻力、变化的风力条件，甚至环境温度。尽管存在这种复杂性，但其运动的近似情况可以用一个仅使用发射速度和角度的简单线性方程来描述。

基于数十年前的数学思想 这种简化反映了数学家伯纳德·库普曼在20世纪30年代提出的一个理论概念。库普曼指出，复杂的非线性系统可以用线性模型进行数学表示。这种新的人工智能框架直接建立在这一思想之上。

然而，存在一个重要挑战。用线性模型表示高度复杂的系统通常需要构建数百甚至数千个方程，每个方程都与不同的变量相关联。对于人类研究人员来说，处理这种程度的复杂性非常困难。

这正是人工智能变得特别有价值的地方。

人工智能如何降低复杂性 该框架研究来自实验的时间序列数据，并识别系统变化中最有意义的模式。它将深度学习与受物理学启发的约束条件相结合，将系统缩小到一组小得多的变量，这些变量仍然能够捕捉系统的基本行为。其结果是一个紧凑的模型，在数学上表现得像线性系统，同时又忠实于现实世界的复杂性。

为了测试这种方法，研究人员将其应用于各种各样的系统。这些系统从常见的钟摆摆动到电路的非线性行为，以及气候科学和神经回路中使用的模型。尽管这些系统差异很大，但人工智能始终能发现少量控制其行为的隐藏变量。在许多情况下，生成的模型比早期机器学习方法产生的模型小10倍以上，同时仍能提供可靠的长期预测。

'突出之处不仅在于准确性，还在于可解释性，'同时在电气与计算机工程以及计算机科学领域任职的陈博远表示，'当线性模型足够紧凑时，科学发现过程可以自然地与人类科学家数千年来发展的现有理论和方法联系起来。这就像将人工智能科学家与人类科学家联系起来。'

发现稳定状态与预警信号 该框架不仅能进行预测，还能识别稳定状态（称为'吸引子'），即系统随时间自然趋向的状态。识别这些状态对于确定系统是正常运行、缓慢漂移还是接近不稳定至关重要。

'对于动力学家来说，找到这些结构就像在新地形中找到地标，'该研究的主要作者、陈博远通用机器人实验室的博士生山姆·摩尔说，'一旦你知道稳定点在哪里，系统的其他部分就开始变得有意义了。'

研究人员指出，当传统方程不可用、不完整或过于复杂而难以推导时，这种方法特别有用。'这不是要取代物理学，'摩尔继续说，'而是当物理学原理未知、隐藏或难以用公式表达时，扩展我们利用数据进行推理的能力。'

迈向机器科学家 展望未来，该团队正在探索如何利用这一框架通过主动选择要收集的数据来更有效地揭示系统结构，从而指导实验设计。他们还计划将该方法应用于更丰富的数据形式，包括视频、音频和来自复杂生物系统的信号。

这项研究支持了陈博远通用机器人实验室的长期目标——开发辅助自动化科学发现的'机器科学家'。通过将现代人工智能与动力系统的数学语言相结合，这项工作指向了一个未来：人工智能不仅能识别模式，还可能帮助揭示塑造物理世界和生命系统的基本规则。