AI, machine learning, sieci neuronowe i modele językowe okazały się niesamowitymi wynalazkami — nie jest jednak tak, że potrafią absolutnie wszystko. Naukowcy zwracali od lat uwagę na to, że sieci neuronowe nie mają możliwości uwzględnienia ograniczeń wynikających z praw fizyki w przypadku bardzo skomplikowanych symulacji: to dotychczas było poza zasięgiem narzędzi badawczych. I tak oto pojawia się koncepcja sieci neuronowych opartych na prawach fizyki (tak zwane PGNN), które łączą machine learning z fizyką wyjaśniającą obowiązujące nas wszystkich prawa. W ten sposób nasze symulacje byłyby znacznie bardziej trafne.
Sieci neuronowe wynikają wprost z inspiracji działaniem ludzkiego mózgu: taka sieć składa się z "neuronów" podzielonych na "warstwy". Tego typu narzędzia analizują dane wejściowe, uczą się rozpoznawać wzorce na podstawie przykładów, a następnie dokonują prognoz. Mimo ogromnych możliwości modelowanie systemów fizycznych dotychczas było poza ich zasięgiem.
Dlaczego w ogóle integracja sieci neuronowych z prawami fizyki jest tak istotna? Klasyczna sieć neuronowa mogłaby zwyczajnie podać wyniki, które niekoniecznie będą zgodne z chociażby prawami dotyczącymi grawitacji. Mimo że mogą one być bardzo dokładne przy odpowiednio dużej liczbie danych, sieci te nie mają "wbudowanych" stałych fizycznych i ich "rozumienia" - nie uwzględnią więc przyspieszenia ziemskiego, oporu powietrza, czy innych kwestii.
PGNN-y rozwiązują ten problem, łącząc algorytmy uczenia maszynowego z prawami fizyki. W praktyce oznacza to, że taka sieć nie tylko uczy się na podstawie danych, ale także opiera się na fundamentalnych zasadach rządzących naszym światem. To tak, jakbyśmy dołożyli do jej zasobów podręcznik z równaniami — w takiej konfiguracji byłaby ona w stanie nie tylko podawać dokładniejsze dane. Przy okazji, pracowałaby wydajniej.
Kluczowym elementem nowej technologii są tzw. grafy wiedzy. To struktury organizujące informacje w postaci swego rodzaju węzłów i relacji między nimi, co daje sztucznej inteligencji możliwość przetwarzania bardziej złożonych i pochodzących z różnych źródeł danych. W kontekście PGNN-ów pozwalają na zapisywanie i wykorzystywanie już istniejących informacji — m.in. równań fizycznych, co dodatkowo zwiększa efektywność modelu.
PGNN nie tylko przeanalizuje dane np. o aktualnych i poprzednich trajektoriach hipotetycznej piłki w meczu, ale uwzględni również takie zmienne jak siła wiatru czy kąt wykonanego strzału. Dzięki wbudowanym zasadom wynikającym z praw fizyki sieć ta radzi sobie lepiej, nawet gdy warunki ulegają zmianie — a przecież w trakcie meczu zdarza się, że mierzymy się z mocno "dynamiczną" pogodą. Takie sieci nie wymagają przy tym ogromnych ilości danych wejściowych, które uwzględniają szczególne zasady rządzące naszą rzeczywistością.
Między innymi w meteorologii, gdzie prawa fizyki odgrywają kluczową rolę, mogą one poprawić dokładność prognoz pogody, szczególnie w kontekście ekstremalnych zjawisk. W inżynierii zaś mogą pomóc w precyzyjnych symulacjach zachowań materiałów, co jest nieocenione przy testowaniu prototypów. Nawet w fizyce cząstek elementarnych sieci te mogą pomóc naukowcom w dokładnym określeniu interakcji cząstek elementarnych.
Niestety, budowa PGNN-ów jest znacznie bardziej skomplikowana niż tradycyjnych sieci, a integracja odpowiednich równań fizycznych jest arcytrudnym zadaniem. W wielu zastosowaniach użycie klasycznych sieci neuronowych będzie bardziej rozsądne, jednak wszędzie tam, gdzie trzeba uwzględnić zasady rządzące naszym światem - PGNN-y mogą okazać się niezwykle przydatne.
