人工智能不只能看"平面世界"，还能观察四维时空

劳伦斯伯克利国家实验室使用深度学习技术的气候科学家马约尔·穆迪根达(Mayur Mudigonda)表示，他将继续关注规范等变卷积神经网络。“人类视觉智能的这一方面”——不管模式是什么定向，都能准确识别出来——“是我们想要给气候社区带来的东西。”高通公司最近聘请了科恩和韦林，收购了其旨在整合他们围绕等变神经网络的早期研究的初创公司。高通现在正计划将规范等变卷积神经网络的理论应用于开发更先进的计算机视觉应用，比如使得无人机能够实时进行360度全景“观察”。(这种鱼眼式视觉可以很自然地映射到一个球面上，就像全球气候数据一样。)

与此同时，规范等变卷积神经网络在像克兰默这样的物理学家当中越来越受欢迎，他们计划将其用于亚原子粒子相互作用模拟数据的研究。克兰默说：“我们正在分析与强核力有关的数据，试图了解质子内部的情况。数据是四维的，所以对于有这种规范等变的神经网络，我们有一个再适合不过的用例。”

现在研究规范等变神经网络的前物理学家里西·孔多尔（Risi Kondor）表示，规范等变卷积神经网络的潜在科学应用可能比它们在人工智能中的应用更加重要。

他说，“如果你是在识别YouTube上的猫，却发现自己不太擅长识别上下颠倒的猫，这不是很好，但也许你还能接受。”但对物理学家来说，确保神经网络不会因特定的方向而误认力场或粒子轨迹是至关重要的。“这不仅仅是一个便利性的问题，”孔多尔指出，“重要的是要尊重基本的对称性。”

然而，虽然物理学家的数学有助于启发规范等变卷积神经网络，物理学家可能会发现它们的大量用途，但科恩指出，这些神经网络本身不会发现任何新的物理现象。他说，“我们现在能够设计可以处理非常奇特的数据类型的网络，但你必须得先知道这些数据的结构”。换句话说，物理学家之所以能够使用规范等变卷积神经网络，是因为爱因斯坦已经证明了时空可以表示为四维弯曲流形。科恩的神经网络无法自己“看到”这个结构。他说，“学习对称性是我们不会做的一件事情，”尽管他希望将来能够做到。

科恩不禁为自己曾经凭直觉感知到的跨学科联系感到高兴，现在他已经用数学的严谨性证明了这一点。“我一直有这样一种感觉，即机器学习和物理学正在做非常相似的事情。”他说，“这是我发现的一件非常了不起的事情：我们只是从这个工程问题着手，随着我们开始改进我们的系统，我们逐渐发现了二者之间越来越多的联系。”

网易科技《知否》栏目，好奇世界，与你一起探索未知。

关注网易科技微信号（ID：tech_163），发送“知否”，即可查看所有知否稿件。

（编辑：555手机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!