研究人员在复杂方程的高效机器学习方面取得突破

来自剑桥大学和康奈尔大学的科学家在机器学习领域取得了重大进展，发现了一种构建可靠模型的方法，这些模型能够在现实场景中理解复杂的方程，同时使用的训练数据远少于传统要求。 

他们的发现详细记录在《美国国家科学院院刊》中，对工程、气候建模等广泛应用具有深远影响，因为这种方法有可能减少训练机器学习模型所花费的时间和成本。

数据需求的范式转变

传统上，机器学习模型需要大量的训练数据才能达到准确性。这一过程通常涉及对大量数据集的人工标注。然而，这种方法不仅耗时，而且昂贵。该研究的第一作者、隶属于牛顿数学科学研究所的尼古拉斯·布利博士表示，团队有兴趣探索在不妨碍可靠性的前提下，训练模型所需的最小数据量。

虽然此前一些研究人员已证明可以使用有限数据训练机器学习模型，但其底层机制在很大程度上仍未得到解释。布利及其合作者、来自康奈尔大学的戴安娜·哈利基亚斯和亚历克斯·汤森德将调查重点放在了一类特定的方程——偏微分方程（PDEs）上。

偏微分方程：物理学的基石

偏微分方程在解释支配自然现象在时空演化中的物理定律方面发挥着基础作用。它们提供了对包括冰块中热扩散行为在内的各种现象的见解。偏微分方程以其相对简单性著称，作为模型系统供研究人员探究人工智能技术为何在物理相关领域取得显著成功。

研究团队发现，描述扩散过程的偏微分方程具有有利于设计有效人工智能模型的结构。通过将已知的物理原理纳入训练数据集，他们能够显著提高准确性和性能。这种方法使得构建一种高效算法成为可能，该算法能够预测各种条件下偏微分方程的解。

数学保证与高效模型

研究人员利用偏微分方程中固有的短程和长程相互作用，创建了具有数学保证的模型。这使得他们能够精确确定产生稳健模型所需的最小训练数据量。令人惊讶的是，他们发现，特别是在物理学领域，由于这些方程固有的数学结构，即使数据集有限也能产生可靠的结果。

科学家认为，他们的技术有潜力揭开许多机器学习模型“黑箱”性质的神秘面纱，使其对人类更具可解释性。虽然这一机器发现意义重大，但研究人员承认，需要进一步的研究来确保模型正在学习正确的原理。他们强调了数学、物理学和人工智能交叉领域带来的令人兴奋的前景，其中有许多引人入胜的问题有待探索。