PRL速递：AI 学习玩弹簧玩具——从轨迹到通用动力学的元学习

关键词：人工智能，泛化能力，隐空间动力学，神经常微分方程

论文题目：

Metalearning Generalizable Dynamics from Trajectories

论文地址：

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.131.067301

像许多职业一样，物理学家正在尝试利用人工智能（AI）来辅助工作——希望不会被 AI 取代。在这个方向上，研究人员开发出一种 AI 算法，可以分析一组物体的运动，如摆动的钟摆或弹跳的弹簧玩具，然后利用这些信息来建立通用模型，分析这些系统上的作用力。这种方法可以推广到此前未经研究的物体，速度比其他不试图泛化的 AI 方法快100倍。

物理学家之前已经表明，AI 算法可以自动发现复杂数据中的隐藏关系。然而，对这些算法的一个常见批评是它们太过具体，只针对一种特定系统。这项最新研究提出一种可解释的元神经常微分方程（interpretable meta neural ordinary differential equation，iMODE）方法，用于从多个具有不同物理参数的动力系统的轨迹中快速学习（非参数特定的）通用动力学。

具体而言，该方法采用一种双层优化框架——外层捕捉研究的动力系统实例的共同力场形式，内层适应个体系统实例——来学习元知识，即动力系统实例的力场泛函变化，而无需知道物理参数。先验物理知识，例如保守力场和欧几里德对称性，可以作为归纳偏差方便地嵌入神经网络架构中。借助学习到的元知识，该方法可以在几秒内对未知系统建模，并且可以反向揭示关于系统物理参数的知识，利用观察轨迹来“测量”未知系统的物理参数。

在其中一个例子中，研究人员向算法提供一组轨迹，如下落的弹簧玩具的位置和速度，每个弹簧玩具刚度不同。该算法分析了这些轨迹，然后构建了一个具有可调参数的通用模型，使其能够在约一分钟时间内分析任何弹簧玩具的运动，即使是不在其训练集中的弹簧玩具。对于更简单的系统，如单摆和振荡电路，分析可能只需几秒钟。研究团队预计，这种方法可以应用于不同介质中生物细胞的机械分析，或者用于在快速变化的环境中控制机器人。