机器人学家Hod Lipson仍认为这项工作十分重要，因为它能够得出描述物理系统的关键参数。 他认为，这些技术是我们理解并跟上物理学中其他更复杂现象的希望。 　　Renner的团队希望开发机器学习技术，以帮助物理学家解决目前存在的量子力学矛盾。Renner说：“在某种程度上，当前的量子力学法可能只是历史的仿制品。”他认为，通过计算机可以提出不存在矛盾的公式。 　　为了实现该目标，Renner正在尝试改良其神经网络，该版本不仅可以从实验数据中学习，还可以提出新的实验方法来检验其假设。 　　人工智能推演“三体”难题 　　希望利用神经网络解决物理问题的不止Renner一家。 　　前阵子，爱丁堡大学的Enter Philip Breen团队通过训练神经网络准确的对三体运动进行了预测，且速度比最先进的常规方法快了近1亿倍。 　　为训练神经网络，研究者首先将问题进行简化，假设三个黑洞为平面上的三个等质量粒子，各粒子初始速度为0。随机给定粒子的初始位置，使用最先进的Brutus方法进行求解，并将这一过程重复一万次。
　　Breen团队利用神经网络进行的三体实验 　　其中9900个算例作为神经网络的训练库，剩余100个用于验证。最后，用5000个全新算例测试神经网络，并将预测结果与利用Brutus方法得到的计算结果进行比对。 　　结果十分有趣！神经网络准确地预测了三体运动，并正确模拟出相近轨迹间的散度，与Brutus方法的计算结果极其相近。Breen团队表示，“我们已经证明深度人工神经网络可以在固定时间内快速且准确的解决三体问题这一计算难题。” 　　更重要的是，团队将能量消耗情况引入了神经网络预测能力的测试中。几次调整后，神经网络符合节能条件，且误差仅仅为10-5。 　　这一结果令人惊叹。且具有极大的潜力。Breen团队特别指出神经网络甚至能够解决Brutus方法无法计算的三体问题。 　　因此他们希望构建一个混合系统，使用Brutus方法进行所有繁重的计算，若计算负担过大，则引入神经网络，直到可运用Brutus方法继续计算。 　　这样，神经网络应该可以比以往更准确地模拟星系核和球状星团内部的黑体运动。 　　这仅仅是个开始，Breen团队表示，“终有一天，我们设想神经网络可以被训练解决更多混沌问题，例如四体或五体问题，并进一步减轻计算负担。” 　　相关链接： 　　来源：nature 　　编译：陈若朦、牛婉杨