Kiedy AI spotyka matematykę, która łamie wszystkim głowę

Postęp w nauce nie zawsze wymaga potężniejszych maszyn. Czasem wystarczy sprytniejsze podejście do zagadki.

Tak właśnie stało się na Uniwersytecie Pensylwanii. Badacze wzięli na celownik odwrotne równania różniczkowe cząstkowe. Brzmi jak koszmar z podręcznika? Może i tak, ale warto to rozgryźć – bo to naprawdę imponujące.

O co w ogóle chodzi?

Wyobraź sobie staw z falami na wodzie. Widzisz je dokładnie. Ale skąd wiesz, gdzie wpadł kamień? To kwintesencja problemu odwrotnego.

W praktyce spotykamy to non stop. Klimatolodzy mierzą temperatury, ale chcą poznać ukryte siły za nimi. Biologowie obserwują zwijanie DNA w komórkach, lecz szukają niewidocznych sygnałów chemicznych. Lekarze śledzą rozchodzenie ciepła w tkankach i próbują zgadnąć przyczynę.

Przez lata umieliśmy symulować procesy w przód – z sił do efektów. Ale droga wstecz, od obserwacji do przyczyn, to była męka.

Komputer nie jest winowajcą (choć wszyscy tak myśleli)

W AI na trudne orzechy reagujemy standardowo: więcej mocy! Większe procesory! Tak działaliśmy latami.

Zespół z Penn doszedł do innego wniosku. Problem tkwił w matematyce, nie w sprzęcie.

Sęk w tym, że typowe sieci neuronowe używają rekurencyjnej różniczkowania automatycznego. To jak zoomowanie w ziarnistym zdjęciu – za każdym razem szum rośnie. Na końcu masz kakofonię zamiast obrazu.

Z hałaśliwymi danymi z życia (a zawsze takie są) wyniki wychodzą niestabilne. A koszty obliczeniowe? Kosmiczne, za marne efekty.

Genialne rozwiązanie z lat 40. XX wieku

Badacze sięgnęli do archiwów i wygrzebali "mollifikatory" – wynalazek Kurta Otto Friedrichsa z 1940 roku. To filtry wygładzające szorstkie dane.

Ich trik? Dodali warstwę mollifikatora do modeli AI. Działa jak miękki filtr – czyści hałas, zanim maszyna zacznie żonglować równaniami.

Proste i piękne. Najpierw wygładzasz, potem mierzysz zmiany. Bez amplifikacji szumu.

Efekty? Mniej błędów, niższe rachunki za prąd i poprawne rozwiązania. Bez superkomputerów.

Dlaczego to nie jest tylko zabawa dla matematyków?

To nie sucha teoria. Otwiera furtki do praktyki.

W biologii pomoże rozszyfrować epigenetykę – te chemiczne przełączniki genów w komórkach.

Lepsze prognozy pogody, stabilniejsze modele klimatu, symulacje epidemii czy nowe materiały – wszędzie, gdzie trzeba cofnąć się od efektu do przyczyny.

Szeroki horyzont

Najfajniejsze? Rozwiązali to nie siłą, lecz sprytem.

Przypomina całemu AI: obsesja na punkcie skali – większe modele, tony danych, moc – to nie wszystko. Czasem wygrywa elegancja matematyczna i świeże spojrzenie.

Zespół z Penn pokazał: patrz na stare sztuczki matematyków i pytaj, jak je podrasować pod dziś. Tak science idzie naprzód.

Fajnie, że klucz do AI z XXI wieku tkwił w matematyce sprzed 80 lat.