Kunstmatige neurale netwerken die een lesje natuurkunde hebben gehad, kunnen beter omgaan met chaotische systemen. Daar kunnen zelfstandig vliegende drones baat bij hebben. Tot deze conclusie komen wetenschappers van de Amerikaanse North Carolina State University.

Een systeem is chaotisch als het extreem gevoelig is voor veranderingen in de begincondities. Dit betekent dat de uitkomst van bijvoorbeeld twee planeten die om een ster draaien alleen te bepalen is als je heel precies weet op welke plek en met elke snelheid ze begonnen. Als je er een beetje naast zit, dan verschillen de planeetbanen die je berekend hebt enorm van de werkelijkheid.

Een nieuwe winningsmethode voor diepe geothermische energie
LEES OOK
Een nieuwe winningsmethode voor diepe geothermische energie

Een ander voorbeeld is het weer. ‘De vleugelslag van een vlinder in het ene land kan – bij wijze van spreken – een tornado kan veroorzaken in een ander land’, vertelt hoogleraar John Lindner, een van de auteurs van de studie.

Ook de turbulente luchtstromen die de wieken van een helikopter of drone boven de grond veroorzaken tijdens het landen zijn chaotisch. Lindner: ‘Een van de toepassingen waarin we geïnteresseerd zijn, is het beter laten landen van automatisch bestuurde drones bij zulke turbulentie.’

Lerende neurale netwerken

Hiervoor trainden de onderzoekers neurale netwerken. Deze kunstmatig intelligente systemen worden gebruikt voor zelfsturende auto’s en bijvoorbeeld het diagnosticeren van ziektes met CT-scans. Ook zijn ze niet vies van een potje schaak.

In tegenstelling tot klassiek computerprogramma’s werken neurale netwerken niet volgens een beslisboom van regels, maar leren ze een taak aan de hand van voorbeelden. Zo kunnen ze leren foto’s van katten te herkennen door veel voorbeelden voorgeschoteld te krijgen van foto’s met en zonder katten.

De werking van neurale netwerken is losjes gebaseerd op onze hersenen, waar signalen heen en weer gestuurd worden tussen neuronen. Hoe sterker de verbinding tussen twee neuronen, hoe beter het signaal wordt overgebracht. Het neurale netwerk bootst dit onder andere na door bepaalde verbindingen in het netwerk extra waarde te geven als ze tijdens het leren belangrijk blijken. Zo is de waarneming van snorharen waardevol bij het herkennen van een kat.

Natuurkundeles

Een nadeel van neurale netwerken is dat ze niet goed kunnen omgaan met chaos. De Amerikaanse onderzoekers ontdekte dat de netwerken hier beter in werden door ze uit te rusten met het natuurkundige hamiltonformalisme.

Het hamiltonformalisme beschrijft dynamische systemen, zoals een slinger die heen en weer gaat of planeten die om een ster draaien. Hiervoor wordt een manier gebruikt die complexer is dan de ‘normale’ klassieke mechanica die je op de middelbare school leert. In de klassieke mechanica beschrijf je bijvoorbeeld een slinger door aan te geven op welk tijdstip hij op welke plek is. Bij de hamiltoniaanse wijze kijk je naar de totale energie van het systeem, uitgedrukt als een combinatie van de positie en de impuls of snelheid van de slinger.

Voor simpele systemen, zoals een rollende bal, is het hamiltonformalisme als een mug doodschieten met een kanon. Het werkt, maar het kan makkelijker. Voor complexere, chaotische situaties is het echter wel de beste manier om systemen te begrijpen en te voorspellen.

Het toevoegen van hamiltonformalisme aan een neuraal netwerk blijkt effect te hebben. Neem een heen en weer bewegende slinger. Een gewoon neuraal netwerk moet zich baseren op een stilstaande momentopname, waaruit het niet kan bepalen waar de slinger is in diens beweging en waar hij naartoe zal gaan. Een hamiltoniaans neuraal netwerk begrijpt het geheel: waar de slinger is, waar hij heen kan gaan, en welke energieën erbij betrokken zijn.

‘Net als Superman’s röntgenogen kunnen hamiltoniaanse neurale netwerken door de complexiteit van chaos en orde heen kijken en de dynamica zien die eraan ten grondslag ligt’, zegt Lindner.

Chaos en orde

Om hun techniek te testen, lieten Lindner en collega’s neurale netwerken onder andere de beweging van een ster in een sterrenstelsel voorspellen. Dit deden ze aan de hand van een model waarbij de energie van de beweging een belangrijke rol speelt. Is er weinig energie in het systeem, dan draait de ster rond in een simpele, voorspelbare baan. Bij hoge energieën wordt de baan chaotischer en lastig te voorspellen.

Representatie van een choatisch systeem door een ‘gewoon’ neuraal netwerk (link) een Hamiltoniaans neuraal netwerk (midden) en een echt choatisch systeem (rechts). Bron: A. Choudhary et al./Phys. Rev. E 101, 062207

Het hamiltoniaanse neurale netwerk kon met grote nauwkeurigheid de dynamiek van dit systeem voorspellen. Ook gaf het weer bij welke energieën de baan van de ster overging van ordelijk naar chaotisch.

Lindner: ‘Dit is een eerste stap naar natuurkundig onderlegde neurale netwerken die ons kunnen helpen bij het oplossen van moeilijke problemen, zoals het landen van drones in turbulente luchtstromen.’

Special kunstmatige intelligentie
LEESTIP: de beste verhalen van New Scientist over kunstmatige intelligentie vind je in deze special, te bestellen in onze webshop.