马塞诸斯州大学波士顿

关于马萨诸塞大学波士顿分校物理学和人工智能研究的对话

Jacob Adamczyk (JA)：首先，你能总结一下物理系发生的激动人心的创新研究吗？ Rahul Kulkarni (RK)：马萨诸塞大学波士顿分校物理系目前有两大研究重点领域：生物物理学和量子科学与技术。统计物理学的基本概念和结果的应用为我们在这两个领域的研究提供了信息。我们目前正在研究的一个研究领域是统计物理学在一个新的前沿领域的应用：人工智能（AI）研究。我们部门正在开发这个领域的一些新想法，这特别令人兴奋，因为我们有一个独特的机会，在当前的人工智能研究中开辟新的方向。JA：物理系与人工智能研究的联系是如何发展的？RK：通常情况下，这种联系出现在人工智能被用作研究科学数据集和物理分类问题的工具时。然而，我们也看到了沿着一条很少有人走过的道路前进的潜力：利用物理学的见解来引领人工智能研究的新发展。更具体地说，我们将强化学习（RL）视为我们从研究非平衡统计物理中获得的想法的应用点。在这种情况下，我们有一个令人惊讶的发现，强化学习研究中的各种优化问题可以映射到罕见事件的物理上。

JA：稀有事件的物理学是什么？它与AI研究有什么关系？ RK：在强化学习中，目标是学习如何在涉及顺序决策的问题中优化长期奖励。如果代理采用不知情或随机的决策策略，那么获得高回报的可能性很小。以国际象棋游戏为例，只有在游戏结束时获胜才能获得奖励。通过采用随机策略赢得一盘国际象棋显然是一件罕见的事情。强化学习的目标是有效地发现访问这些罕见事件的策略。事实证明，在非平衡统计物理学中，已经开发出方法来描述这种罕见事件发生的“所有不可能的方式中最不可能的”。值得注意的是，这些方法也导致了强化学习中的最优决策策略。 JA：人工智能和物理之间的这种联系产生了什么见解和成功？ RK：我们利用非平衡物理和人工智能研究之间的桥梁，为强化学习开发新的算法和理论。虽然我们还处于起步阶段，但我们已经解决了强化学习研究中的一些理论开放性问题，并为该领域开发了新的算法。不过，还有很多东西有待探索。令人兴奋的前景是，这些理论联系有可能加速强化学习，使算法更适用于现实世界的场景。除了理论和算法的进步，这种联系也可以从物理学的角度为人工智能算法提供新的理解或直觉。在更基本的层面上，在两个先前不相关的学科之间建立桥梁意味着一个学科的深刻见解、概念和方法可以潜在地用于解决另一个学科中当前具有挑战性的问题。例如，非平衡统计物理学的基本结果现在可以用来推导人工智能研究中感兴趣的数量之间的新关系。另一方面，人工智能研究的新方法现在可以用来解决当前感兴趣的挑战性问题，如量子控制和量子电路优化。JA：人工智能和量子都被视为下一次“工业革命”的驱动力。物理系有什么独特的贡献？ RK：整个部门所做的研究很好地为量子物理和人工智能的交叉研究做出了贡献。在整个部门，统计物理的工具被用于各种应用（量子系统，计算物理，非平衡系统），因此可以进一步促进我们一直在讨论的桥梁。另一个令人兴奋的成熟的探索途径是将RL的思想扩展到量子领域，这是我们许多教师都有经验的。在量子基础层面，该部门已经开始研究人工智能方法（如RL）是否可以用于学习量子力学的基本规则。我们的教师也在研究生成人工智能在量子领域的扩展，以及它们与量子统计力学基本结果的信息理论扩展的联系。 JA：我们是否有计划改变课程，以强调与这些跨学科联系相关的新轨道或课程？ 是的。我们已经建立了本科量子信息证书（QIC），我们的首要任务之一是在此基础上开发研究生版的QIC。研究生版将包括量子机器学习模块和课程材料，将人工智能方法与量子信息科学的最新进展相结合。最初，我们计划在现有课程中添加基于AI的模块，并且我们还想开发一个专注于AI研究与物理交叉的新课程。最终，该计划是开发一个人工智能和物理轨道，将建立在该部门正在进行的一些研究的基础上。我们的目标是，在物理学研究的指导下，通过使用人工智能工具开发专业知识，让我们的学生更好地为现代劳动力做好准备，成为有效的贡献者。事实上，你所开发的关于物理和深度学习的非正式课程是朝着这个方向迈出的重要的第一步，我们正在研究如何更正式地提供这门课程。总的来说，这个方向的努力与大学的战略重点是一致的，包括“加速跨学科奖学金”和“面向未来的教育”。”

JA：鉴于这些跨学科的联系，你想对考虑加入我们系的未来学生说些什么？ RK：马萨诸塞大学波士顿分校物理系拥有独特的前沿研究方向。我们目前已经并正在进一步开发特定的轨道，将为您在量子信息科学，生物物理学和/或人工智能方面的成功职业生涯做好准备。我们系的研究在本质上也是跨学科的，允许与其他领域的合作，如计算机科学和生物学。此外，该系有很强的本科生研究传统，在过去的五年里，该系提名了三位金水学者。美国物理学会（APS）对我们在本科生研究方面的指导给予了认可，我们的一名本科生（约瑟夫·法拉）获得了美国物理学会本科生研究的最高奖项：Leroy Apker奖。我们的研究生正在进行一系列令人惊叹的研究，从量子基础和人工智能物理学到癌症生物物理学和软物质物理学。作为研究生培训的米兰体育，学生将受益于我们的实验室和高性能计算设施的实践经验。我们讨论过的跨学科联系在我们讲话的时候正在由系里的研究生发展；这为即将到来的学生打开了令人兴奋的可能性。该系是欢迎和支持的，教师和现有的学生都渴望与有兴趣探索新领域的新学生一起工作。 JA：最后，在物理和人工智能的交叉领域，你最期待解决的开放问题是什么？RK：的确，在这个交叉点上有许多令人兴奋和开放的问题。目前，人工智能的研究正处于指数增长阶段，新想法和相关研究问题的出现远远快于解决方案的出现。值得注意的是，所提出问题的一些答案可以从物理学和数学研究的旧见解中获得。例如，生成人工智能是当前人工智能领域的最大驱动力之一。生成式AI的最初动机来自于基于物理的模型（扩散模型）。目前该领域最有希望的发展理念之一可以追溯到Schrödinger在20世纪30年代讨论的一个想法：同名的Schrödinger桥。1931年，Schrödinger向普鲁士科学院提交了一篇题为《关于自然法则的反转》的论文，其中他考虑了N个独立布朗粒子的演化。在大N的极限下，用Fokker-Planck方程可以预测布朗粒子分布的演化。然而，对于有限的N，观测到的分布可能与预测的分布有很大的不同。随着N的增加，这种偏离预测分布的情况很少发生。鉴于如此罕见的事件已经被观察到，Schrödinger提出了以下问题：这种罕见事件发生的最不可能的方式是什么？Schrödinger通过推导一组现在被称为“Schrödinger桥”的方程，提出了解决这个问题的方法。直到几十年后，人们才意识到Schrödinger提出并研究了布朗粒子经验分布的大偏差问题。最近的研究进一步探索了Schrödinger桥梁与相关研究领域的联系，如最优运输和生成人工智能。考虑到我们在大偏差理论和强化学习之间建立的映射关系，强化学习方法现在似乎可以应用于Schrödinger桥梁问题和生成人工智能，为未来的研究开辟了令人兴奋的新途径。除了这个具有代表性的例子之外，现在还有许多跨学科的研究项目可以使用这种现代工具和旧见解的混合来接近。该部门计划探索的领域包括量子传感和控制的应用，量子计算的人工智能方法，以及研究非平衡系统的新方法。除了这些令人兴奋的研究方向，我们也期待与邻近机构发展合作。目前，我们正在与麻省理工学院的人工智能与基础相互作用研究所（IAIFI）合作开展一个项目，该项目最近得到了美国国家科学基金会的资助。该合作伙伴关系的研究重点是开发用于分析量子系统的新型强化学习方法。我们计划在这些联系的基础上培养下一代研究生，在物理和人工智能的界面上进行创新研究。