Ny metod låter AI förstå varför fysikaliska ekvationer fungerar – inte bara om de gör det

arXiv cs.AI

Forskare presenterar SED-MCTS, en sökalgoritm (baserad på Monte Carlo-trädsökning) som försöker lösa partiella differentialekvationer – matematiska beskrivningar av fysikaliska system – genom att faktiskt lära sig vilka delar av en lösning som är användbara, snarare än att bara bedöma slutresultatet. Tricket är att algoritmen gör kontrafaktiska experiment på deluttryck för att förstå vad som bidrar till en bra lösning, och sparar den kunskapen för framtida sökningar. I tester på en rad standardproblem presterar metoden stabilt även när mätdata är brusiga eller knappa.