Представете си вълни в морето. Лесно е да опише как се движат – това правят обикновените диференциални уравнения. Но какви сили са създали тези вълни? Задачата е много по-трудна и това е същността на обратните задачи.
Точно с такива проблеми се занимават учените от Университета на Пенсилвания. Те използват изкуствен интелект, за да решават обратни частни диференциални уравнения (inverse PDE - partial differential equations) – клас задачи, които Phys.org определя като едни от най-"бруталните" в математиката заради своята сложност.
Защо са толкова трудни?
Защото вместо да изчислявате резултат от известни причини, трябва да се тръгне назад – от наблюдаваните ефекти към скритите причини. Това често означава, че има много възможни решения или че малки грешки в данните водят до огромни разлики в резултата.
"Решаването на обратна задача е като да гледаш вълнички в езеро и да работиш назад, за да разбереш къде е паднало камъчето", обяснява Вивек Шеной (Vivek Shenoy), изтъкнат професор по материалознание и инженерство (MSE) и старши автор на изследване, публикувано в Transactions on Machine Learning Research (TMLR) , което ще бъде представено на Конференцията за системи за обработка на невронна информация (NeurIPS 2026). "Може да видите ясно ефектите, но истинското предизвикателство е да се изведе скритата причина."
"В продължение на години използвахме тези уравнения, за да изучаваме как хроматинът, който е сгънато състояние на ДНК вътре в ядрото, се организира в живите клетки", разказва Шеной. "Но продължавахме да се сблъскваме със същия проблем: Можехме да видим структурите и да моделираме тяхното формиране, но не можехме надеждно да заключим епигенетичните процеси, движещи тази система, а именно химичните промени, които помагат да се контролира кои гени са активни. Колкото повече се опитвахме да оптимизираме съществуващия подход, толкова по-ясно ставаше, че самата математика трябва да се промени."
Резултатът от изобразяването на хроматина, чието разгъване вече може да бъде по-точно описано с помощта на слоеве-молификатори, има значение за разбирането на стареенето, здравето и болестите. Кредит: Sylvia Zhang, Penn Engineering
Преосмисляне на начина, по който изкуственият интелект прави изчисленията
В центъра на проблема е една измамно проста математическа идея: диференциране или измерване на това как нещо се променя. В ежедневието, производната може да каже на учените колко бързо дадено количество се увеличава или намалява. Производните от по-висок порядък отиват по-далеч, като помагат за описването на по-сложни модели на промяна.
Но за системи от по-висок порядък, особено когато данните са шумни, решенията изискват огромни количества изчислителна мощност.
Вместо да насочат повече изчислителна мощност към проблема, изследователите са намерили по-добър математически подход - изкуствения интелект (AI).
Силата на омекотителите
Както го описват изследователите, рекурсивното автоматично диференциране е като многократно увеличаване на наклона на линия: ако линията е назъбена, всяка допълнителна стъпка може всъщност да увеличи шума в данните и да направи крайния резултат по-малко надежден. С други думи, екипът осъзнава, че се нуждае от начин за надеждно изглаждане на сигнала преди измерване на промяната.
През 40-те години на миналия век, Курт Ото Фридрихс, немско-американски математик, който по-късно получава Националния медал за наука, описва "омекотители" (mollifiers) - математически инструменти, които "омекотяват, изглаждат" особено шумни или назъбени функции.
Екипът на Шеной адаптира тази техника, внедрявайки т. нар. "омекотяващ слой", който изглажда сигнала преди измерването му, радикално намалявайки както шума, така и мащабирането на консумацията на енергия.
С други думи, AI не просто изчислява – той "изглажда" информацията, за да открие скритите закономерности. Така системата може да реконструира процеси, които иначе са почти невъзможни за директно изчисление.
Разплитане на хроматина
За лабораторията на Шеной, едно от непосредствените приложения на "омекотяващите слоеве" е по-доброто разбиране на това как малките домейни на хроматина или сместа от протеини и ДНК, която пакетира хромозомите за съхранение вътре в клетките, регулират достъпа до генетичен материал вътре в ядрото, надграждайки предишна работа, показваща как епигенетичните реакции и физическите взаимодействия организират структурата на хроматина.
"Тези домейни са с размер само 100 нанометра ", отбелязва Шеной, "но тъй като достъпността определя генната експресия, а генната експресия управлява клетъчната идентичност, функция, стареене и заболявания, тези домейни играят критична роля в биологията и здравето."
Чрез извеждане на скоростите на епигенетичните реакции, които задвижват тези промени - с други думи, колко бързо се случват тези генно-регулиращи химични промени - омекотяващите слоеве биха могли да помогнат на изследователите, изучаващи хроматина, да преминат от просто наблюдение на структурата му с помощта на мощни микроскопи към моделиране на това как се променя с течение на времето и как тези промени влияят върху генната експресия.
"Ако можем да проследим как тези скорости на реакции се развиват по време на стареене, рак или развитие", добавя Винаяк, "това създава потенциал за нови терапии: Ако скоростите на реакции контролират организацията на хроматина и клетъчната съдба, тогава промяната на тези скорости може да пренасочи клетките към желаните състояния."
Бъдещи насоки
Този пробив показва нещо по-дълбоко: изкуственият интелект започва да навлиза в области, които изискват не просто изчисления, а обратна логика и интерпретация.
Доскоро такива задачи са били почти изцяло запазени за човешката интуиция. Сега AI започва да действа като партньор на учените – помагайки им да "виждат невидимото" зад данните.
Обратните PDE не са само абстрактна математика. Те стоят зад множество реални проблеми, например в метеорологията – да се разбере какви процеси са довели до наблюдаваното врем; в медицината и генетиката – да се извлекат причините за биологични процеси от измервания; във физиката – да се разкрият скрити сили и структури в природата.
С други думи, това е инструмент за анализиране на реалността - от наблюдения към механизми.
Новият метод не просто ускорява математиката – той променя начина, по който разбираме сложните системи. Вместо да се губим в хаоса на данните, можем да използваме AI, за да откриваме скритите причини зад тях.
А това е крачка към по-дълбоко разбиране на света – от климата до човешкото тяло.
Справка: Mollifier Layers: Enabling Efficient High-Order Derivatives in Inverse PDE Learning, Mollifier Layers: Enabling Efficient High-Order Derivatives in Inverse PDE Learning, openreview.net/forum?id=6mFVZS … ing=2&sort=date-desc
Източник: AI tackles one of math's most brutal problems: Inverse PDEs, Ian Scheffler, University of Pennsylvania
Коментари
Моля, регистрирайте се от TУК!
Ако вече имате регистрация, натиснете ТУК!
Няма коментари към тази новина !
Последни коментари
Прост Човек
Последната теорема на Стивън Хокинг преобръща времето и причинността
Прост Човек
Разрязването на фотон на две създава безкраен рояк от частици
zlatkov
Учени сканират 74 милиона радиосигнала от междузвезден обект за признаци на извънземни технологии
Джендо Джедев
За срещата на Земята с Халеевата комета през 1910 г. някои са пили "противокометни хапчета"