AI Copérnico ‘descobre’ que a Terra orbita o Sol

p>Astrónomos demoraram séculos a descobrir. Mas agora, um algoritmo de aprendizagem por máquina inspirado no cérebro, descobriu que deveria colocar o Sol no centro do Sistema Solar, com base na forma como os movimentos do Sol e de Marte aparecem da Terra. A proeza é um dos primeiros testes de uma técnica que os investigadores esperam poder utilizar para descobrir novas leis da física, e talvez para reformular a mecânica quântica, encontrando padrões em grandes conjuntos de dados. Os resultados deverão aparecer em Cartas de Revisão Física1.

Físico Renato Renner do Instituto Federal Suíço de Tecnologia (ETH) em Zurique e os seus colaboradores queriam conceber um algoritmo que pudesse destilar grandes conjuntos de dados em algumas fórmulas básicas, imitando a forma como os físicos surgem com equações concisas como E = mc2. Para tal, os investigadores tiveram de conceber um novo tipo de rede neural, um sistema de aprendizagem por máquina inspirado na estrutura do cérebro.

Redes neurais convencionais aprendem a reconhecer objectos – tais como imagens ou sons – através de formação em grandes conjuntos de dados. Descobrem características gerais – por exemplo, ‘quatro pernas’ e ‘orelhas pontiagudas’ podem ser usadas para identificar gatos. Depois codificam essas características em ‘nós’ matemáticos, o equivalente artificial dos neurónios. Mas em vez de destilarem essa informação em poucas regras facilmente interpretáveis, como fazem os físicos, as redes neurais são algo como uma caixa negra, espalhando o seu conhecimento adquirido por milhares ou mesmo milhões de nós de formas imprevisíveis e difíceis de interpretar.

Então a equipa de Renner concebeu uma espécie de rede neural ‘lobotomizada’: duas sub-redes que estavam ligadas entre si através de apenas algumas ligações. A primeira sub-rede aprenderia com os dados, como numa rede neural típica, e a segunda utilizaria essa ‘experiência’ para fazer e testar novas previsões. Como poucas ligações ligavam os dois lados, a primeira rede era forçada a passar informação à outra num formato condensado. Renner compara-a à forma como um conselheiro poderia transmitir os seus conhecimentos adquiridos a um estudante.

Planet positioning

Um dos primeiros testes foi dar à rede dados simulados sobre os movimentos de Marte e do Sol no céu, como visto da Terra. Deste ponto de vista, a órbita do Sol de Marte parece errática, por exemplo, vai ‘retrógrada’ periodicamente, invertendo o seu curso. Durante séculos, os astrónomos pensaram que a Terra estava no centro do Universo, e explicaram o movimento de Marte sugerindo que os planetas se moviam em pequenos círculos, chamados epiciciclos, na esfera celestial. Mas nos anos 1500, Nicolaus Copérnico descobriu que os movimentos podiam ser previstos com um sistema de fórmulas muito mais simples se tanto a Terra como os planetas orbitassem o Sol.

A rede neural da equipa chegou com fórmulas ao estilo de Copérnico para a trajectória de Marte, redescobrindo “uma das mais importantes mudanças de paradigmas na história da ciência”, diz Mario Krenn, físico da Universidade de Toronto no Canadá, que trabalha na aplicação da inteligência artificial à descoberta científica.

Renner salienta que embora o algoritmo tenha derivado as fórmulas, é necessário um olho humano para interpretar as equações e compreender como se relacionam com o movimento dos planetas em torno do Sol.

Este trabalho é importante porque é capaz de destacar os parâmetros cruciais que descrevem um sistema físico, diz o robótico Hod Lipson da Universidade de Columbia, em Nova Iorque. “Penso que este tipo de técnicas são a nossa única esperança de compreender e acompanhar fenómenos cada vez mais complexos, na física e para além dela”, diz ele.

Renner e a sua equipa querem desenvolver tecnologias de aprendizagem de máquinas que possam ajudar os físicos a resolver aparentes contradições na mecânica quântica. A teoria parece produzir previsões contraditórias sobre o resultado de uma experiência e a forma como é vista por um observador que está sujeito às suas leis2.

“É possível que a forma actual formulada seja, de alguma forma, apenas um artefacto histórico”, diz Renner. Ele acrescenta que um computador poderia apresentar uma formulação livre de tais contradições, mas as técnicas mais recentes da equipa ainda não são suficientemente sofisticadas para o fazer. Para avançar para esse objectivo, ele e os seus colaboradores estão a tentar desenvolver uma versão da sua rede neural que possa não só aprender com os dados experimentais, mas também propor experiências inteiramente novas para testar as suas hipóteses.