Versi aslinya dari cerita ini muncul di Berapa banyak majalah.
Saat dia berusia 10 tahun, Rose Yu Mendapat hadiah ulang tahun yang akan mengubah hidupnya – dan, berpotensi, cara kita belajar fisika. Pamannya memberinya komputer. Itu adalah komoditas langka di Cina 25 tahun yang lalu, dan hadiah itu tidak digunakan. Pada awalnya, Yu terutama memainkan permainan komputer, tetapi di sekolah menengah ia memenangkan penghargaan untuk desain web. Itu adalah yang pertama dari banyak penghargaan terkait komputer.
Yu melanjutkan ke jurusan Ilmu Komputer di Universitas Zhejiang, di mana ia memenangkan hadiah untuk penelitian inovatif. Untuk studi pascasarjana, ia memilih University of Southern California (USC), sebagian karena paman yang sama – yang merupakan satu -satunya orang yang ia kenal di Amerika Serikat – kemudian bekerja di Laboratorium Propulsi Jet di Pasadena terdekat. Yu mendapatkan gelar doktor pada tahun 2017 dengan penghargaan untuk disertasi terbaik. Kehormatan terbarunya datang pada bulan Januari, ketika Presiden Joe Biden, dalam minggu terakhirnya di kantor, memberinya penghargaan karier awal presiden.
Yu, sekarang seorang profesor di University of California, San Diego (UCSD), adalah pemimpin dalam bidang yang dikenal sebagai “pembelajaran mendalam yang dipandu fisika,” setelah bertahun-tahun memasukkan pengetahuan kita tentang fisika ke dalam jaringan saraf buatan. Pekerjaan ini tidak hanya memperkenalkan teknik baru untuk membangun dan melatih sistem ini, tetapi juga memungkinkannya untuk membuat kemajuan pada beberapa aplikasi dunia nyata. Dia telah menarik prinsip-prinsip dinamika fluida untuk meningkatkan prediksi lalu lintas, mempercepat simulasi turbulensi untuk meningkatkan pemahaman kita tentang badai, dan merancang alat yang membantu memprediksi penyebaran COVID-19.
Pekerjaan ini telah membawa Yu lebih dekat ke impian besarnya – memberikan serangkaian asisten lab digital yang ia sebut ilmuwan AI. Dia sekarang membayangkan apa yang dia sebut “kemitraan” antara peneliti manusia dan alat AI, sepenuhnya berdasarkan prinsip fisika dan dengan demikian mampu menghasilkan wawasan ilmiah baru. Menggabungkan input dari tim asisten tersebut, menurut pendapatnya, mungkin merupakan cara terbaik untuk meningkatkan proses penemuan.
Quanta berbicara dengan Yu tentang turbulensi dalam banyak samarannya, bagaimana mendapatkan lebih banyak dari AI, dan bagaimana hal itu membuat kita keluar dari kemacetan kota. Wawancara telah diringkas dan diedit untuk kejelasan.
Yu di kampus UCSD, di mana dia adalah seorang profesor.
Kapan Anda pertama kali mencoba menggabungkan fisika dengan pembelajaran yang mendalam?
Rose Yu: Itu dimulai dengan lalu lintas. Saya adalah seorang mahasiswa pascasarjana di USC, dan kampusnya tepat di dekat persimpangan I-10 dan I-110. Untuk ke mana saja, Anda harus melalui banyak lalu lintas, yang bisa sangat menjengkelkan. Pada 2016, saya mulai bertanya -tanya apakah saya bisa melakukan apa -apa tentang ini.
Pembelajaran mendalam – yang menggunakan jaringan saraf berlapis -lapis untuk mendapatkan pola dari data – menjadi sangat panas saat itu. Sudah ada banyak kegembiraan tentang aplikasi dalam klasifikasi gambar, tetapi gambar hanyalah hal -hal statis. Saya bertanya -tanya apakah pembelajaran yang mendalam dapat membantu dengan masalah di mana keadaan terus berubah. Saya bukan orang pertama yang mempertimbangkan ini, tetapi kolega saya dan saya menemukan cara baru untuk membingkai masalah.
Apa pendekatan baru Anda?
Pertama, kami memikirkan lalu lintas dalam hal proses fisik difusi. Dalam model kami, aliran lalu lintas di atas jaringan jalan analog dengan aliran cairan di atas permukaan – mosi yang diatur oleh hukum dinamika fluida. Tetapi inovasi utama kami adalah menganggap lalu lintas sebagai grafik, dari bidang matematika teori grafik. Sensor, yang memantau lalu lintas di jalan raya dan jalan lain, berfungsi sebagai simpul dari grafik ini. Dan tepi grafik mewakili jalan (dan jarak) antara sensor tersebut.
Ketertarikan Yu pada komputer dimulai dengan hadiah untuk ulang tahunnya yang ke -10.
Grafik memberikan snapshot dari seluruh jaringan jalan pada waktu tertentu, memberi tahu Anda kecepatan rata -rata mobil di setiap titik pada grafik. Ketika Anda mengumpulkan serangkaian snapshot ini, berjarak setiap lima menit, Anda mendapatkan gambaran yang bagus tentang bagaimana lalu lintas berkembang. Dari sana, Anda dapat mencoba memprediksi apa yang akan terjadi di masa depan.
Tantangan besar dalam pembelajaran mendalam adalah Anda membutuhkan banyak data untuk melatih jaringan saraf. Untungnya, salah satu penasihat saya, Cyrus Shahabi, telah bekerja selama bertahun -tahun tentang masalah peramalan lalu lintas, dan dia telah mengumpulkan sejumlah besar data lalu lintas LA yang saya akses.
Jadi seberapa baik prediksi Anda?
Sebelum bekerja, orang hanya bisa membuat ramalan lalu lintas yang dapat diandalkan selama sekitar 15 menit. Perkiraan kami berlaku selama satu jam – peningkatan besar. Kode kami digunakan oleh Google Maps pada tahun 2018. Beberapa saat kemudian, Google mengundang saya untuk menjadi peneliti yang berkunjung.
Itu tentang ketika Anda mulai mengerjakan pemodelan iklim, bukan?
Ya, itu dimulai pada tahun 2018, ketika saya memberikan ceramah di Laboratorium Nasional Lawrence Berkeley. Setelah itu, saya berbicara dengan para ilmuwan di sana, dan kami mencari masalah yang akan menjadi testbed yang baik untuk pembelajaran mendalam yang dipandu secara fisika. Kami memutuskan untuk memprediksi evolusi aliran turbulen, yang merupakan faktor kunci dalam model iklim, serta area ketidakpastian besar.
Contoh -contoh turbulensi yang akrab adalah pola berputar -putar yang Anda lihat setelah menuangkan susu ke dalam secangkir kopi dan mengaduknya. Di lautan, berputar seperti ini dapat membentang ribuan mil. Prediksi perilaku turbulen yang didasarkan pada pemecahan persamaan Navier-Stokes, yang menggambarkan aliran cairan, dianggap sebagai standar emas di bidang ini. Tetapi perhitungan yang diperlukan sangat lambat, itulah sebabnya kami tidak memiliki model yang baik untuk memprediksi badai dan siklon tropis.
Kemacetan berat Los Angeles pertama -tama menginspirasi Yu untuk memodelkan lalu lintas jalan raya sebagai aliran cairan.
Dan pembelajaran yang mendalam dapat membantu?
Ide dasarnya adalah bahwa jaringan saraf dalam yang dilatih pada simulasi numerik terbaik kami dapat belajar meniru – atau seperti yang kami katakan, “meniru” —mara simulasi tersebut. Mereka melakukannya dengan mengenali sifat dan pola yang terkubur dalam data. Mereka tidak harus melalui perhitungan yang memakan waktu dan brute-force untuk menemukan solusi perkiraan. Model kami mempercepat prediksi dengan faktor 20 dalam pengaturan dua dimensi dan dengan faktor 1.000 dalam pengaturan tiga dimensi. Sesuatu seperti modul prediksi turbulensi kami suatu hari nanti mungkin dimasukkan ke dalam model iklim yang lebih besar yang dapat melakukan lebih baik dalam memprediksi hal -hal seperti badai.
Di mana lagi turbulensi muncul?
Ini cukup banyak di mana -mana. Turbulensi dalam aliran darah, misalnya, dapat menyebabkan pukulan atau serangan jantung. Dan ketika saya menjadi seorang postdoc di Caltech, saya ikut menulis kertas yang melihat ke dalam stabilisasi drone. Aliran udara yang dihasilkan propellor berinteraksi dengan tanah untuk membuat turbulensi. Itu, pada gilirannya, dapat menyebabkan drone goyah. Kami menggunakan jaringan saraf untuk memodelkan turbulensi, dan itu menyebabkan kontrol drone yang lebih baik selama lepas landas dan pendaratan.
Saat ini saya bekerja dengan para ilmuwan di UCSD dan Atomics General on Fusion Power. Salah satu kunci untuk sukses adalah belajar bagaimana mengendalikan plasma, yang merupakan fase materi terionisasi yang panas. Pada suhu sekitar 100 juta derajat, berbagai jenis turbulensi muncul dalam plasma, dan model numerik berbasis fisika yang menjadi ciri perilaku itu sangat lambat. Kami sedang mengembangkan model pembelajaran yang mendalam yang seharusnya dapat memprediksi perilaku plasma dalam sepersekian detik, tetapi ini masih merupakan pekerjaan yang sedang berlangsung.
Yu dan mahasiswa doktoral Jianke Yang di kantornya di UCSD.
Dari mana berasal dari mana ide ilmuwan AI Anda?
Dalam beberapa tahun terakhir, grup saya telah mengembangkan algoritma AI yang secara otomatis dapat menemukan prinsip simetri dari data. Sebagai contoh, algoritma kami mengidentifikasi simetri Lorentz, yang berkaitan dengan keteguhan kecepatan cahaya. Algoritma kami juga mengidentifikasi simetri rotasi – fakta, misalnya, bahwa sebuah bola tidak terlihat berbeda terlepas dari bagaimana Anda memutarnya – yang merupakan sesuatu yang tidak dilatih secara khusus untuk diketahui. Meskipun ini adalah sifat terkenal, alat kami juga memiliki kemampuan untuk menemukan simetri baru yang saat ini tidak diketahui oleh fisika, yang akan merupakan terobosan besar.
Kemudian terpikir oleh saya bahwa jika alat kami dapat menemukan simetri dari data mentah, mengapa kami tidak mencoba untuk menggeneralisasi ini? Alat -alat ini juga dapat menghasilkan ide -ide penelitian atau hipotesis baru dalam sains. Itulah asal usul ilmuwan AI.
Apa sebenarnya AI Scientist – hanya jenis jaring saraf yang mewah?
Ini bukan jaringan saraf tunggal, melainkan ansambel program komputer yang dapat membantu para ilmuwan membuat penemuan baru. Kelompok saya telah mengembangkan algoritma yang dapat membantu dengan tugas individu, seperti peramalan cuaca, mengidentifikasi pendorong kenaikan suhu global, atau mencoba menemukan hubungan sebab akibat seperti efek kebijakan vaksinasi pada penularan penyakit.
Kami sekarang membangun model “fondasi” yang lebih luas yang cukup fleksibel untuk menangani banyak tugas. Para ilmuwan mengumpulkan data dari semua jenis instrumen, dan kami ingin model kami menyertakan berbagai jenis data – penambangan, teks, gambar, dan video. Kami memiliki prototipe awal, tetapi kami ingin membuat model kami lebih komprehensif, lebih cerdas, dan lebih terlatih sebelum kami melepaskannya. Itu bisa terjadi dalam beberapa tahun.
Apa yang Anda bayangkan bisa dilakukan?
AI dapat membantu dalam hampir setiap langkah proses penemuan ilmiah. Ketika saya mengatakan “AI Scientist,” saya benar -benar berarti asisten ilmiah AI. Tahap survei literatur dalam percobaan, misalnya, biasanya membutuhkan pengumpulan data besar-besaran dan upaya organisasi. Tapi sekarang, model bahasa besar dapat membaca dan merangkum ribuan buku selama istirahat makan siang tunggal. Apa yang tidak dimiliki AI adalah menilai validitas ilmiah. Dalam hal ini, tidak dapat bersaing dengan peneliti yang berpengalaman. Sementara AI dapat membantu menghasilkan hipotesis, desain eksperimen dan analisis data, itu masih tidak dapat melakukan eksperimen yang canggih.
Seberapa jauh Anda ingin melihat konsepnya?
Seperti yang saya bayangkan, seorang ilmuwan AI dapat meringankan peneliti dari beberapa pekerjaan yang membosankan sambil membiarkan orang menangani aspek kreatif sains. Itu adalah sesuatu yang sangat kami kuasai. Yakinlah, tujuannya bukan untuk menggantikan ilmuwan manusia. Saya tidak membayangkan – tidak ada yang ingin saya lihat – mesin yang menggantikan, atau mengganggu, kreativitas manusia.
Cerita asli dicetak ulang dengan izin dari Berapa banyak majalahpublikasi editorial independen dari Yayasan Simons yang misinya adalah untuk meningkatkan pemahaman publik tentang sains dengan meliput perkembangan penelitian dan tren matematika dan ilmu fisik dan kehidupan.
