Inferring physical laws by artificial intelligence based causal models

要約

人工知能 (AI) と機械学習 (ML) の進歩により、科学研究に多くの道が開かれ、知識創造のプロセスに新たな側面が加わりました。
ただし、これまで最も強力で多用途な ML アプリケーションであっても、主に関連性の分析の領域にあり、結局は複雑なデータ フィッティングに帰着します。
ジューデア・パールは、汎用人工知能には実行と想像の行為を伴う介入が含まれなければならないと指摘しました。
したがって、機械を利用した科学的発見には、カジュアルな分析と介入が含まれている必要があります。
これに関連して、相関関係を認識するだけでなく、偶然の関係を明らかにする物理原理の因果学習モデルを提案します。
私たちは、因果関係の推論と介入の原理を使用して、いくつかのよく知られた物理現象の文脈における因果関係を研究します。
私たちは、この手法がデータ間の関連性を解明できるだけでなく、変数間の因果関係を正確に確認できることを示し、それによって基礎となる物理プロセスの提案されたモデルに対する信頼を強化 (または弱化) することができます。

要約(オリジナル)

The advances in Artificial Intelligence (AI) and Machine Learning (ML) have opened up many avenues for scientific research, and are adding new dimensions to the process of knowledge creation. However, even the most powerful and versatile of ML applications till date are primarily in the domain of analysis of associations and boil down to complex data fitting. Judea Pearl has pointed out that Artificial General Intelligence must involve interventions involving the acts of doing and imagining. Any machine assisted scientific discovery thus must include casual analysis and interventions. In this context, we propose a causal learning model of physical principles, which not only recognizes correlations but also brings out casual relationships. We use the principles of causal inference and interventions to study the cause-and-effect relationships in the context of some well-known physical phenomena. We show that this technique can not only figure out associations among data, but is also able to correctly ascertain the cause-and-effect relations amongst the variables, thereby strengthening (or weakening) our confidence in the proposed model of the underlying physical process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google