AI Descartes：结合数据与理论的可推导科学发现
人工智能
2023-01-10 v4
摘要
科学家长期以来致力于发现能够准确描述实验数据且有意义的公式。一种常见方法是利用领域知识手动建立自然现象的数学模型，然后将这些模型拟合到数据上。相比之下，机器学习算法在消耗大量数据的同时自动化了准确数据驱动模型的构建。文献中已探讨了以所学模型函数形式约束（例如非负性）形式纳入先验知识的问题。然而，寻找与以一般逻辑公理（例如能量守恒）形式表达的先验知识相一致的模型仍是一个开放问题。我们开发了一种方法，通过结合逻辑推理与符号回归，从公理知识和实验数据中实现对自然现象模型的原则性推导。我们针对开普勒第三行星运动定律、爱因斯坦相对论时间膨胀定律以及朗缪尔吸附理论展示了这些概念，在每种情况下都将实验数据与背景理论自动联系起来。我们表明，当使用形式逻辑推理从一组在数据上误差相似的可行公式中区分出正确公式时，可以从极少数据点中发现定律。推理与机器学习的结合提供了对自然现象关键方面可泛化的洞察。我们设想这种结合将实现科学基本定律的可推导发现，并认为我们的工作是迈向自动化科学方法的重要一步。
引用
@article{arxiv.2109.01634,
title = {AI Descartes: Combining Data and Theory for Derivable Scientific Discovery},
author = {Cristina Cornelio and Sanjeeb Dash and Vernon Austel and Tyler Josephson and Joao Goncalves and Kenneth Clarkson and Nimrod Megiddo and Bachir El Khadir and Lior Horesh},
journal= {arXiv preprint arXiv:2109.01634},
year = {2023}
}