由YAGUCHI Takaharu副教授（系统信息学研究生院）和MATSUBARA Takashi副教授（大阪大学工程科学研究生院）领导的研究小组已成功开发出一种新技术，用以模拟无法解释详细原理或物理公式。他们利用人工智能（AI）从观测数据中创建一个模型，这个模型忠实于物理定律。

希望这种技术将来有可能预测，到现在为止潜在机理尚不清楚而难以模拟的现象。还有望提高建立仿真模型的速度。

这些研究成果在12月7日举行的第三十四届神经信息处理系统会议（NeurIPS 2020）上发表，该会议是与人工智能技术相关的主题的会议。在NeurIPS 2020和1900中被选出的9454篇论文中，该研究论文位居前1.1％，是在会议上被选为口头报告的105篇论文之一。

要点

能够将人工智能应用于物理现象的预测可能会导致极其精确的高速仿真。

到目前为止，由于数字化现象的难度意味着无法保留物理定律（例如能量守恒定律），因此预测方法容易产生高估或低估的结果。

该研究小组开发了基于AI的技术，该技术可以在保持物理定律的同时运行模拟。他们使用数字分析来复制计算机可以在数字世界中识别的物理。

可以预期，只要有足够的观测数据，这种技术将能够模拟出其详细的机理或公式不清楚的现象（例如，波动，断裂力学（如裂纹增长）和晶体结构的增长）。

研究背景

通常，可以通过使用超级计算机的模拟来进行物理现象的预测，并且这些模拟使用基于物理定律的方程式。尽管这些方程式具有很高的通用性，但这并不总是意味着它们能够完美地复制单个现象的独特特征。例如，许多人了解高中摆运动背后的物理原理。但是，如果您实际上要制作一个摆锤并尝试使其摆动，则摆锤中的轻微制造缺陷可能会导致其不按照理论移动，这会导致模拟的预测出错。因此，近年来，关于通过人工智能将现象的观测数据应用于模拟的研究不断发展。

但是，由于计算机是数字化的，因此很难使用当前的AI将控制现实世界现象的物理定律引入预测技术。很难完美地复制诸如能量守恒定律等物理定律。因此，在长期预测中可能会发生不自然的能量增加或减少。这可能导致诸如物体速度或波高之类的现象被高估或低估，并导致有关预测可靠性的不确定性。

研究成果

该研究小组开发了一种新的基于人工智能的技术，该技术可通过严格保留物理定律（例如能量守恒定律）来预测各种现象。

这种新开发的方法源于“如果世界是数字化的”概念。基于这种思维方式，介绍了在这样的数字世界中必须保留的物理定律。研究人员关注物理定律是以微积分（例如“微分”和“积分”）书写的事实，研究人员使用数字微积分重写了它们。

为了从技术上做到这一点，研究人员开发了新的数字版本的反向传播（* 1），通过自动微分将其用于机器学习。通过这种新方法，可以保留物理定律，例如数字世界中的节能定律。此外，即使在仿真中，这也可以通过基于AI的技术正确实现节能规律。使用这种新方法将使高度可靠的预测成为可能，并防止发生常规模型中所见的能量异常增加和减少的情况。

在这项研究中开发的技术中，人工智能从物理现象的观测数据中学习能量函数，然后在数字世界中生成运动方程。这些运动方程可以通过仿真程序直接使用，并且预计这些方程的应用将带来新的科学发现（图1）。另外，这些运动方程式无需为计算机仿真而重写，因此可以复制物理定律，例如能量守恒定律。

为了将物理定律引入数字世界，还使用了诸如辛几何（* 2）和黎曼几何（* 3）等几何方法。这使得将这种技术应用于更广泛的现象预测成为可能。例如，两个液滴变成一个的现象可以用当它们变成单个液滴时发生的能量损失来解释。使用黎曼几何可以很好地描述这种现象。实际上，从几何学的角度来看，能量守恒和能量耗散现象都可以用相似的方程表示，这可以创建一个统一的系统来处理两种类型的现象。通过整合这种思维方式，通过这项研究开发的模型也得到了扩展，可以处理能量耗散现象，

这种现象的例子包括材料的结构组织，晶体生长和裂纹扩展力学，并且希望AI技术的进一步发展将能够预测这些现象。

此外，研究小组还成功地提高了AI的学习效率，实验表明，这是当前方法的10倍。

进一步的研究

这项研究开发的方法表明，在预测物理现象时，有可能产生定制的模拟，以模仿人类难以协调的这些现象的详细方面。这将有可能提高模拟的准确性，同时也使更有效的预测成为可能，从而导致各种物理模拟的计算时间得以缩短。

此外，使用AI从观测数据中提取物理定律将可以预测以前因其详细机制未知而难以模拟的现象。

AI所做的预测通常被称为“黑匣子”，并且容易出现可靠性问题。但是，通过这项研究开发的方法是高度可靠的，因为它可以在遵循物理定律（例如能量转换定律）的同时准确地复制现象，这意味着不太可能发生过度预测和预测不足的情况。

这项技术还可以发展反向传播，这是AI学习中常用的。因此，它可以超越本研究中的技术，提高各种类型的机器学习的速度。

1.反向传播（BP）：反向传播是一种用于机器学习的算法。它用于计算如何最好地纠正AI在学习期间给出的错误响应（基于微分计算）。

2.辛几何：机械理论（例如牛顿定律）背后的几何。人们认为它可以描述物理定律，例如不带坐标的力学，因为定律的存在与特定坐标无关。因此，可以利用辛几何来描述和分析运动方程。

3.黎曼几何：黎曼几何用于研究曲面。它使长度和角度的概念可以引入各种主题。通过使用这种几何方法，可以根据沿斜坡向下移动的点对诸如能量耗散等现象进行建模。