Пена и искусственный интеллект подчиняются одним математическим законам

Инженеры из Университета Пенсильвании обнаружили, что математика, описывающая движение пузырьков в пене, удивительно похожа на принципы глубокого обучения, используемого для тренировки современных систем искусственного интеллекта. Это указывает на то, что «обучение» может быть общим организующим принципом для физических, биологических и вычислительных систем.

Микроскопический снимок пузырьков пены, чьё движение математически зеркалит процесс глубокого обучения. Фото: Crocker Lab

Ранее считалось, что пузырьки в пене, подобно частицам в стекле, со временем застывают в фиксированных положениях. Однако новое исследование, опубликованное в Proceedings of the National Academy of Sciences, показывает, что внутренняя структура пены находится в постоянном движении.

«Пена постоянно реорганизует себя, — говорит профессор Джон К. Крокер, соавтор работы. — Поразительно, что пена и современные системы ИИ, по-видимому, следуют одним и тем же математическим принципам».

Ключевое сходство заключается в том, что ни пузырьки пены, ни параметры нейросети во время обучения не стремятся зафиксироваться в одном, самом «низком» энергетическом состоянии. Вместо этого они продолжают движение в широких областях, где множество конфигураций почти равноценны. Именно это позволяет системам ИИ лучше обобщать информацию и не «переобучаться».

«Главное понимание состояло в том, что вам не нужно загонять систему в самую глубокую возможную долину, — поясняет соавтор Роберт Ригглман. — Удержание её на более плоских участках ландшафта, где множество решений работают одинаково хорошо, — вот что позволяет этим моделям обобщать».

Это открытие заставляет пересмотреть взгляды на поведение сложных систем. Теперь команда Крокера планирует применить этот подход для изучения цитоскелета — внутреннего каркаса клеток, который, подобно пене, должен постоянно перестраиваться, сохраняя общую структуру.

ИИ: Это фундаментальное исследование — отличный пример того, как прорывы в одной области (машинное обучение) могут дать ключ к пониманию давних загадок в другой (физика материалов). Возможно, в будущем это приведёт к созданию принципиально новых адаптивных материалов.