- Cercetătorii au rezolvat un set de exemple simple ale problemei haotice a celor trei corpuri.
- Călătoriile spațiale și majoritatea sistemelor din viața reală sunt haotice, ceea ce face ca această cercetare să fie valoroasă.
- Rețelele neuronale au potențialul de a rezolva, sau cel puțin de a modela, probleme haotice mai bine decât supercomputerele tradiționale.
Informaticienii au arătat că o rețea neuronală specială este probabil capabilă să rezolve exemplare mai simple ale problemei haotice cu trei corpuri, relatează Tech Xplore. Dacă rezultatele par greu de analizat, asta se datorează faptului că problema celor trei corpuri și implicațiile sale sunt, de asemenea, destul de greu de analizat.
Problema celor trei corpuri este o ramură a cosmologiei, în care „corpurile” sunt celeste, cum ar fi calcularea locului în care planetele se află unele în raport cu altele în timp. (Autorul chinez de science-fiction Liu Cixin a folosit termenul ca un joc de cuvinte pentru titlul romanului său din 2015, câștigător al premiului Hugo, despre astrofizicieni uciși). Aplicațiile variază de la cele mai vechi navigatoare de navă de joasă tehnologie până la teoriile moderne ale zborurilor spațiale, cum ar fi asistenții gravitaționali, iar complexitatea matematică a problemei în sine a făcut-o interesantă atât pentru matematicieni, cât și pentru informaticieni timp de mulți ani.
Ne gândim uneori la spațiu ca fiind gol din cauza unor concepții populare greșite, dar chiar și în vidul relativ, spațiul este plin de câmpuri gravitaționale care se ciocnesc, câmpuri magnetice, vânturi solare (un nume greșit, deoarece nu există aer) și multe altele. Totul este împins și tras de diferite forțe – atât de multe forțe și cu o asemenea complexitate încât „cele trei corpuri” sunt aproape complet imprevizibile de la un moment la altul, chiar dacă știm unde tocmai se aflau cu o clipă înainte.
În trecut, oamenii de știință au relegat comportamentele „haotice”, cum ar fi problema celor trei corpuri, pe o insulă prăfuită pentru probleme nepotrivite. Pe măsură ce supercomputerele au devenit mai puternice, acești oameni de știință și-au dat seama că pot folosi o putere de calcul în creștere rapidă pentru a da cu barosul la probleme matematice complicate. La rândul lor, rețelele neuronale artificiale oferă un pas înainte față de simpla supercalculatoare.
Aceste mașini, inspirate de procesele biologice reale găsite în natură, pot modela mai bine haosul datorită capacității lor de a lucra la probleme neliniare. Atunci când noi (sau chiar maimuțele și alte primate neumane) vedem pe cineva punând două obiecte împreună, nu ne așteptăm să găsim trei obiecte ca sumă. Acesta este un fel de proces liniar, în care ne folosim cunoștințele noastre despre intrări pentru a prezice ieșirile proporționale.
Într-un sistem neliniar precum problema haotică a celor trei corpuri, toate pariurile sunt anulate, iar intuițiile noastre sunt amestecate. O mare parte din știința aplicată implică sisteme neliniare și rezolvarea de probleme. Până în prezent, oamenii de știință nu au reușit să rezolve problema cu trei corpuri decât în formate foarte defazate: problema cu două corpuri este rezolvată, iar oamenii de știință pot rezolva ceea ce ei numesc o problemă cu trei corpuri „restrânsă”, adică atunci când unul dintre corpuri are o masă atât de neglijabilă încât practic dispare în ecuație.
Gândiți-vă la acest lucru ca la luarea derivatei unei ecuații, când o constantă pur și simplu dispare pentru a deveni 0 – sau la calcularea complexității n în informatică, când exponentul sau logul este de obicei tot ceea ce contează, iar alte informații sunt eliminate.
Toate acestea înseamnă că o rețea neuronală care poate modela și rezolva chiar și forme simple ale problemei haotice a celor trei corpuri, în care toate cele trei corpuri sunt actori independenți semnificativi din punct de vedere statistic, este o afacere uriașă. Acești cercetători – de la Universitatea din Edinburgh, Universitatea din Cambridge, Campus Universitario de Santiago și Universitatea din Leiden – au comparat rețeaua lor neuronală cu un supercalculator tradițional antrenat să rezolve probleme mai simple cu trei corpuri, și spun că rețeaua lor a rezolvat aceste exemple mult, mult mai repede.
Există însă complicații. Faptul că un supercalculator existent și specializat le-a dat răspunsurile la exemplele lor înseamnă că oamenii de știință au avut o cheie de răspuns pregătită pentru a verifica – fără această resursă, nu este clar că o rețea neuronală ar genera cu ușurință răspunsuri corecte de una singură, mai ales pe măsură ce problemele devin mai complexe. Învățarea mecanică profundă precum cea folosită de rețelele neuronale este un fel de cutie neagră.
În plus, cercetătorii înșiși concluzionează că rețeaua lor neuronală s-a apropiat de rezultatele concrete ale supercomputerului tradițional. Ca și utilizarea lui 3,14 în loc de pi în sine, acest tip de aplicație are aproape întotdeauna avertismente. Noua cercetare este interesantă, dar nu reprezintă un pas înainte clar și concret fără mult mai mult context și contribuții externe.
.