离散场论的机器学习与服务——当人工智能遇见离散宇宙

开发了一种用于物理中离散场论机器学习与服务的方法。学习算法从时空格点上的观测数据集中训练出离散场论，服务算法利用学习到的离散场论预测场在新边界和初始条件下的新观测。这种学习离散场论的方法克服了人工智能学习连续理论所面临的困难。离散场论的服务算法属于保结构几何算法族，已被证明优于基于微分方程离散化的传统算法。所开发方法和算法的有效性通过非线性振荡和开普勒问题的例子得到展示。特别地，学习算法从一组行星轨道数据中学习离散场论，这些数据类似于1601年开普勒从第谷·布拉赫处继承的数据，而服务算法在不知晓牛顿运动定律和万有引力定律的情况下正确预测了太阳系的其他行星轨道，包括抛物线和双曲逃逸轨道。所提出的算法在狭义相对论和广义相对论效应重要时也适用。所阐明的离散场论相对于连续理论在机器学习兼容性方面的优势与Bostrom的模拟假说一致。