Når AI løser matteproblemer som stopper alle andre
Fremgang handler ikke alltid om større maskiner. Ofte er det smartere metoder som teller mest.
Ved University of Pennsylvania knakk forskere koden til et skikkelig mattehelvete: inverse partielle differensialligninger. Høres tørt ut? Vent litt – dette er gull.
Hva skjer egentlig?
Tenk deg bølger på en dam. Du ser dem tydelig. Men hvor traff steinen? Det er kjernen i et invers problem.
I virkeligheten dukker det opp overalt. Klimaeksperter måler temperaturer og leter etter årsakene bak. Biologer ser DNA-viklinger i celler og vil vite hvilke kjemiske signaler som styrer det. Leger observerer varmespredning i vev og jakter på grunnene.
Tidligere har vi klart å simulere fremover: kjente krefter gir forutsigbare resultater. Bakover – fra observasjon til skjulte årsaker – har det vært et mareritt.
Datakraft er ikke svaret (selv om alle trodde det)
Når AI sliter, roper alle etter mer kraft. Større GPU-er! Flere penger! Sånn har det vært lenge.
Penn-forskerne så annerledes. Matematikken var flaskehalsen, ikke jernet.
Problemet? De fleste AI-modeller bruker rekursiv automatisk differensial. Det er som å zoome inn på et kornete bilde igjen og igjen. Støy og feil vokser eksponentielt. Til slutt drukner signalet i kaos.
Med ekte data full av støy blir resultatene ubrukelige. Og det krever vanvittig mye regnekraft for middels svar.
Løsningen fra 1940-tallet
Forskerne gravde i gammel matte og fant mollifiserere – verktøy fra Kurt Otto Friedrichs på 40-tallet. De jevner ut ru data.
Tricket? De la til et mollifiseringslag i AI-modellene. Det filtrerer støy før de tunge beregningene starter.
Genialt og enkelt. Glatt data først, så presise målinger etter. Mindre støy, lavere kostnader – og ligninger som faktisk fungerer. Uten superdatamaskiner.
Hvorfor det teller i praksis
Dette er ikke bare matte for matte skyld. Det åpner dører til ekte bruksområder.
I biologi kan det knekke epigenetikk-koden: kjemiske signaler som slår gener av og på. Værvarselet blir sikrere. Klima, smitteutbredelse, materialvitenskap – alle trenger stabile inverse ligninger.
Overalt der vi må jobbe bakover fra observasjoner til årsaker, hjelper dette.
Det store bildet
Det spennende er ikke bare løsningen. Det er tankeskiftet: tenk annerledes, ikke bare hardere.
AI-verdenen er hekta på skala – større modeller, mer data, mer strøm. Det funker, men eleganse i matematikken vinner ofte.
Penn-teamet viste vei: Ta gamle ideer og tilpass dem til i dag. Slik skyves vitenskapen fremover.
Kuleste? Et 2000-talls AI-mysterium løst med 1940-tallets matte.