15、物理学中表征学习与人工智能物理学家的未来展望

物理学中表征学习与人工智能物理学家的未来展望

1. 物理学表征学习的未来研究方向

1.1 寻找测量策略和表征

决定如何利用实验设备收集观测数据是一项具有挑战性的任务。在一些简单例子中，观察粒子的时间序列或对量子系统进行随机测量，能为物理系统提供足够信息以回答相关问题。但一般情况下，可能需要更高级的观测策略。

例如，要确定盒子中粒子的位置，可先使用能扫描整个盒子的测量设备，虽返回的粒子位置精度较低，但能得到大致位置；再用更精确但只能扫描盒子小部分区域的设备，将其目标设定为第一个设备所确定的粒子大致位置，从而高精度地确定粒子位置。若第二个设备随机扫描盒子部分区域，大概率找不到粒子，位置测量精度也会很低。

为找到这类高级测量策略，可训练强化学习智能体，若其能高精度预测盒子中粒子的位置，就给予奖励。不过，要以有监督的方式训练该智能体，需明确关注的变量（如上述例子中的粒子位置）。通常，我们仅知道观测信息应足以回答向SciNet提出的问题，所以测量策略必须与利用收集到的信息回答问题的方法并行学习。

例如，可让SciNet预测盒子中某固定点的电场。假设粒子带电，电场可能是粒子位置的函数 f(x)。有研究表明，当前机器学习工具可并行学习测量策略和函数 f。未来值得进一步研究能否为更复杂系统并行学习观测策略和表征。

状态表征学习与这一目标密切相关。与从固定数据集中提取相关特征的表征学习不同，状态表征学习考虑的是交互式环境，强化学习智能体可与环境交互并通过行动影响系统状态。其目标是构建系统的低维表征，使其随智能体的行动而相应演化。这种设置为解开表征提供了新的先验可能性，因为智能体可尝试不同行动并观察其效果。

1.2