尽管人工智能系统继续取得长足进步 但它们在应对不可预测性方面仍然不是特别擅长
新时代，高科技越来越发达。朋友们读了很多关于科技的重要新闻。我们也应该在生活中使用很多这些高科技的东西。朋友应该注意什么？今天，我想和大家分享一条关于科技的知识。我希望你会喜欢它。
尽管人工智能系统不断取得巨大进步，但它们仍然不太擅长处理混乱或不可预测性。现在，研究人员相信他们已经通过向人工智能教授物理找到了解决这个问题的方法。
更具体地说，他们被教授哈密顿函数，哈密顿函数为人工智能提供了关于整个动态系统的信息：其中包含的所有能量，包括动力学和势能。
神经网络旨在轻松地将人脑模拟为复杂、加权和复杂类型的AI，然后对正在发生的事情有“更大的了解”，这可能为AI解决越来越多的难题提供可能性。
北卡罗来纳州立大学的物理学家约翰林德纳说：“哈密顿量确实是一种特殊的调味品，它使神经网络能够学习秩序和混沌。”
“有了哈密顿算符，神经网络可以用传统网络无法理解的方式理解势动力学。这是迈向物理学神经网络的第一步，可以帮助我们解决问题。”
研究人员将汉密尔顿函数的引入与钟摆进行了比较——它为人工智能提供了关于钟摆转速及其行进路径的信息，而不仅仅是向人工智能显示某一时刻钟摆的快照。
新的研究发现，如果神经网络可以理解哈密顿流，那么在这个类比中，它被放置在哪里，它可能移动到哪里，以及它的能量，那么它们可以更好地管理混沌的有序引入。
不仅如此，还可以提高它们的效率：无需大量额外的神经节点，就可以更好地预测动态和不可预测的结果。有助于AI快速全面地了解世界的实际运行模式。
为了测试他们新改进的人工智能神经网络，研究人员将其与通常被称为黑非海尔斯模型的基准进行了比较，该模型最初是为了模拟恒星围绕太阳的运动而创建的。
汉密尔顿神经网络成功地通过了测试，正确地预测了系统在有序和混沌中的动力学行为。
改进后的人工智能可以用于从诊断医疗状况到驾驶无人驾驶飞机的所有领域。
我们看过AI模拟空间，诊断医疗问题，升级电影，研发新药。相对而言，这项技术才刚刚起步——还在进步。这些新发现应该对此有所帮助。
研究人员在论文中写道：“如果说混沌是一种非线性的‘超级力量’，使得确定性动力学几乎不可预测，那么哈密顿量就是神经网络的‘秘密调味料’，是一种可以学习和预测秩序和混沌的特殊成分。”纸。
本文就为大家讲解到这里了。