Uma das coisas que mais chama atenção nessa pesquisa pioneira foi a utilização de uma teoria de campo discreto para fazer a interface entre a natureza e o aprendizado de máquina. Isso significa que o paradigma adotado por Qin e seus colaboradores foi o de espaço-tempo pixelado, consistente com a hipótese de simulação de Bostrom, uma escolha que traz profundas implicações para a nossa visão do universo.
Futuramente, o autor pretende usar o mesmo sistema de aprendizado de máquina, previamente treinado com dados da física nuclear, para estudar problemas complexos sobre a fusão nuclear, onde outros métodos da física teórica e experimental falharam.
Podemos verificar na pesquisa de Qin, que a concordância do software de aprendizado de máquina com os dados observacionais é notável, com um desvio mínimo em relação as teorias que utilizam modelagem contínua da natureza. Entre outras pesquisas afins na física computacional, esta sugere mais ainda que estamos próximos do desenvolvimento de algo parecido com um algoritmo mestre da física, pois basta a inteligência artificial apreender uma teoria de campo discreto, para obtermos um sistema automático que resolve problemas, utilizando apenas a formatação <<dados de entrada - dados de saída>>, sem a necessidade de conhecer os detalhes da física envolvida.
Se a resolução máxima da natureza existir, então a célula mínima ou píxel de espaço-tempo é a realidade subjacente, sendo todo o resto, incluindo a modelação contínua por funções infinitamente diferenciáveis uma aproximação.
Estamos diante do novo paradigma que a continuidade infinita é uma aproximação de uma realidade essencialmente finita e discreta. Essa é uma ideia que vem ganhando força desde o esboço mais simples do princípio holográfico apresentado pelo físico Gerard t'Hooft em 1993.
O que queremos dizer com o infinito é uma aproximação? Aparentemente, numa análise superficial, a frase é destituída de sentido, pois o infinito está além de qualquer grandeza finita e associamos a esse conceito matemático as noções de completeza e perfeição ideal.
Os dispositivos computacionais como as calculadoras por software do Windows e do Google tem limites de algumas casas decimais, mesmo para potências de dez na notação científica, cálculos além desse limite retornam o resultado infinito ou entrada inválida, é fácil verificar isso tentando calcular potências de potências nessas calculadoras. Isso não significa que o número não existe na realidade ou que seja realmente infinito, significa que o software e os respectivos recursos de hardware não conseguem calcular e exibir o resultado de um número tão grande.
Nossa ignorância sobre o que ocorre nos píxels do espaço-tempo extremamente diminutos da escala de Planck nos permite realizar uma boa aproximação substituindo cada píxel por um ponto infinitesimal. Essa é a explicação de sermos tão bem sucedidos quando usamos o cálculo diferencial e integral para resolver problemas de engenharia em escala humana no mundo real.
Em primeiro lugar, devemos formular corretamente as perguntas, isto é, ter uma teoria física fundamental compatível com nossas ferramentas cognitivas e com nossas ferramentas de aprendizado de máquina.
É interessante que o uso de um campo discreto com mínima ação como semente, produza um aprendizado de máquina tão rico e eficiente, tal como pode de fato estar ocorrendo mecanicamente na realidade física. Entretanto, as leis da física não deixam de existir somente porque se tornam dispensáveis nesse sistema computacional tipo caixa preta, pelo contrário, em tese as leis da física podem ser recuperadas da estrutura dos dados, num processo inverso de baixo pra cima que vai em direção aos algoritmos geradores dos dados.
O desenvolvimento de um tão sonhado sistema automático para elaborar teorias da física será uma consequência natural dessa pesquisa, juntando a engenharia do conhecimento com a física, numa integração multidisciplinar inédita na história da ciência e da tecnologia.
No futuro, os físicos seguidores do método de Qin serão responsáveis pela formatação dos programas que aprendem Física a partir dos dados brutos, enquanto que equipes de engenheiros de ontologias, se encarregarão dos algoritmos que processam as regularidades e os padrões ocultos nos dados para encontrar as teorias que explicam as ocorrências experimentais.
Penso que um *bootstrap de resolução espaço-temporal, alinhado com o paradigma do átomo do espaço-tempo, pode se revelar como a física fundamental que esses algoritmos de aprendizado de máquina necessitam para formular as respostas corretas sobre a natureza.
*BootstrapReferências:
[1] - Artigo: Machine learning and serving of discrete field theories — when artificial intelligence meets the discrete universeVol.: 10, Article number: 19329DOI: 10.1038/s41598-020-76301-0
Inteligência artificial: É possível fazer ciência sem teorias e sem leis. 19/02/2021. Online. Disponível em www.inovacaotecnologica.com.br/noticias/noticia.php?artigo=ciencia-sem-teorias-leis-inteligencia-artificial-faz-tudo-so-dados.
arxiv: https://arxiv.org/abs/1910.10147
Esse post fica melhor contextualizado com o seguinte post do Blog:
ResponderExcluirhttps://bigbizang.blogspot.com/2020/04/problemas-cosmicos.html