由侯凯(戈登)叶，昆汀·昌加特，对话
艺术家对系外行星KELT-11 b的印象
信用:莱亚·改变的印象
，作者提供 你知道地球的大气层是由什么组成的吗？你可能记得是氧气，也许是氮气
在谷歌的帮助下，你可以很容易地得到一个更精确的答案:78%的氮气，21%的氧气和1%的氩气
然而，当谈到系外大气的组成时——太阳系外行星的大气——答案是未知的
这是一种耻辱，因为大气层可以表明行星的性质，以及它们是否能容纳生命
由于系外行星距离我们如此之远，探索它们的大气层已经被证明是极其困难的
研究表明，人工智能可能是我们探索它们的最佳选择——但前提是我们能够证明这些算法以可靠、科学的方式思考，而不是欺骗系统
现在，我们发表在《天体物理学杂志》上的新论文，对它们的神秘逻辑提供了令人放心的见解
天文学家通常利用凌日方法来研究系外行星，包括测量行星经过恒星时恒星发出的光的倾角
如果行星上有大气层，它也能吸收非常少的光
通过在不同波长——光的颜色——观察这一事件，可以在吸收的星光中看到分子的指纹，形成我们称之为光谱的可识别模式
木星大小的行星的大气产生的典型信号只会使恒星光减少约0
01%如果恒星像太阳
地球大小的行星产生低10-100倍的信号
这有点像从飞机上看到猫的眼睛颜色
未来，詹姆斯·韦伯太空望远镜(JWST)和阿里尔太空任务，这两个探测器都将从其太空轨道上调查系外行星，将有助于提供数千个系外大气层的高质量光谱
但是，虽然科学家对此感到兴奋，但最新的研究表明，这可能很棘手
由于大气层的复杂性，对一颗凌日行星的分析可能需要几天甚至几周的时间才能完成
自然，研究人员已经开始寻找替代工具
人工智能以其从大量数据中吸收和学习的能力以及训练后在不同任务上的卓越表现而闻名
因此，科学家们试图训练人工智能来预测大气中各种化学物种的丰度
目前的研究已经确定人工智能非常适合这项任务
然而，科学家们一丝不苟，持怀疑态度，为了证明这是真的，他们想了解人工智能是如何思考的
人工智能对模糊猫图像的预测是如何工作的
作者提供 窥视黑匣子内部 在科学中，如果一个理论或工具不被理解，它就不能被采用
毕竟，你不想经历在系外行星上发现生命的兴奋，只是意识到这只是人工智能中的一个“小故障”
坏消息是人工智能很难解释自己的发现
即使是人工智能专家也很难确定是什么导致网络给出一个给定的解释
这一缺点往往阻碍了人工智能技术在天文学和其他科学领域的应用
我们开发了一种方法，可以让我们一窥人工智能的决策过程
这种方法非常直观
假设人工智能必须确认图像中是否包含猫
它大概会通过识别某些特征来做到这一点，比如毛发或脸型
为了了解它在引用哪些特征，以及以什么顺序引用，我们可以模糊猫的部分图像，看看它是否还能认出它是一只猫
这正是我们对系外行星所做的——通过“扰动”或改变光谱区域来探测人工智能
通过观察人工智能对每个区域被篡改时外行星分子丰度的预测是如何变化的(比如说大气中的水)，我们开始构建一幅人工智能如何思考的“图片”，比如它使用光谱的哪些区域来决定大气中的水位
令我们天文学家放心的是，我们发现训练有素的人工智能非常依赖物理现象，比如独特的光谱指纹——就像天文学家一样
这可能并不奇怪，毕竟人工智能还能从哪里学到呢？事实上，说到学习，AI和一个厚脸皮的高中生并没有太大的区别——它会尽最大努力避开艰难的道路(比如理解困难的数学结论)，找到任何捷径(比如背数学公式却不理解为什么)来获得正确的答案
如果人工智能基于记忆遇到的每一个光谱做出预测，那将是非常不可取的
我们希望人工智能从数据中得出答案，并在未知数据上表现良好，而不仅仅是有正确答案的训练数据
我们可以将人工智能突出显示的特征与原始图像结合在一起，生成我们称之为灵敏度图的图像，该图像勾勒出人工智能正在密切关注的区域
作者提供 这一发现提供了第一种偷偷窥视所谓“人工智能黑盒”的方法，让我们能够评估人工智能学到了什么
有了这些工具，研究人员现在不仅可以使用人工智能来加速他们对大气层外的分析，而且他们还可以验证他们的人工智能使用了众所周知的自然法则
也就是说，现在说我们完全理解人工智能还为时过早
下一步是精确地计算出每个概念有多重要，以及它是如何被处理成决策的
这一前景对人工智能专家来说是令人兴奋的，但对我们科学家来说更是如此
人工智能令人难以置信的学习能力源于其从数据中学习“表示”或模式的能力——这种技术类似于物理学家如何发现自然规律，以便更好地理解我们的世界
因此，能够接触到人工智能的思想可能会让我们有机会学习新的、未被发现的物理定律
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
