갈릴레오는 피사 대성당 (Pisa Cathedral)에서 흔들리는 램프를 보고 그의 맥박에 맞춰 스윙 시간을 측정했다. 그는 그 기간이 일정하고 진폭과 무관하다고 결론 지었다.

갈릴레오 사후 약 15 년이 지나 최초의 시계가 제작되었지만 갈릴레오는 진자가 시계를 제어하고 나중에 그러한 기계를 설계 할 수 있다고 제안했다.

이 발견에서 갈릴레오의 천재성은 공기저항, 기온, 빛, 소음, 사람들 등 대성당에 있었던 모든 세부 사항을 무시한 것이다. 그는 흔들리는 램프의 주기만 활용한 단순한 모델에 중점을 두었다.

많은 역사가들에게 갈릴레오의 접근 방식은 비행, 양자 이론, 전자 계산, 일반 상대성 이론, 심지어 인공 지능에 이르기까지 과학적 방법의 진화에서 가장 초기 단계를 대표한다.

최근 AI 시스템은 데이터 자체에서 흥미로운 패턴을 찾기 시작해 결과적으로 특정 물리 법칙을 유도하기까지했다. 그러나 이 경우 인공지능은 실제 세계에서 격리된 특별한 데이터 세트를 대상으로 했다. AI 시스템의 능력은 갈릴레오와 같은 인간의 능력과는 거리가 있다.

여기서 갈릴레오와 같은 방식으로 이론을 발전시키는 인공 지능 시스템을 설계할 수 있는가 라는 흥미로운 질문이 제기된다.

미국 MIT의 타일린 우(Tailin Wu)와 막스 테그마크(Max Tegmark)는 갈릴레오의 접근법과 물리학자가 수세기에 걸쳐 학습해온 몇 가지 다른 접근법을 모방한 인공지능 시스템을 개발했다. ‘AI Physicist(AI물리학자)’라고 불리는이 시스템은 우주의 복잡성을 시뮬레이션하기 위해 의도적으로 구성한 가상 세계에서 물리학의 여러 법칙을 유도 할 수 있다.

우 (Wu)와 테그 마크(Tegmark)는 논문 ‘비지도학습을 위한 AI 물리학자를 향하여(Toward an AI Physicist for Unsupervised Learning)’은 AI 시스템의 심각한 약점을 지적하고 시작한다. 논문은 출판 전(preprint) 과학 논문사이트 ‘arXiv’에서 확인할 수 있다.

AI는 데이터 세트가 주어지면 일반적으로 전체를 관통하는 단일 이론을 찾는다. 그러나 데이터 세트가 점점 더 복잡해지면 이 과정은 점점 더 어려워진다. 이 문제에 대처하기 위해 물리학자들은 많은 사고 과정을 통해 문제를 단순화한다. 첫 번째는 데이터 세트의 작은 부분만을 설명하는 이론을 개발하는 것이다. 이는 예를 들어 양자 역학 및 상대성 이론과 같이 데이터의 여러 측면을 모두 설명하는 여러 이론을 산출한다.

우와 테그마크는 데이터 세트를 이같은 방식으로 처리하기 위해 AI 물리학자를 개발했다.

물리학자들이 사용하는 또 다른 일반적인 규칙은 오컴의 면도날(Occam ‘s Razor)이다. 더 간단하게 설명하는 것이 더 좋다는 말이다. 물리학자들은 일반적으로 우주, 지구, 생명 자체를 창조하기 위해 제일원인(prime mover)을 필요로하는 이론을 경시한다. 제일원인이 존재한다고 가정하면 그 본질과 기원에 대한 추가 질문이 제기된다.

AI 시스템은 훈련된 데이터를 설명하기 위해 지나치게 복잡한 모델을 생성하는 것으로 잘 알려져 있다. 따라서 우와 테그마크는 그들의 시스템이 더 복잡한 이론보다 더 단순한 이론을 선호하도록 훈련했다. 그들은 이론이 요약하는 정보의 양을 기반으로 복잡성을 직접적으로 측정해 이를 수행한다.

또 다른 유명한 물리학자의 함정은 통일이론을 찾는 것이다. 한 이론이 두 가지 일을 할 수 있다면 더 나을 것이란 접근이다. 이것은 물리학자들이 보편 법칙을 찾도록 했다. 비록 그러한 이론이 존재한다는 실제 증거가 거의 없음에도 불구하고.

물리학자들의 수월성을 지원해온 마지막 원칙은 평생학습이다. 특정 접근법이 과거에 작동했다면 미래의 문제에도 적용할 수 있다는 생각이다. 우와 테그마크의 AI 물리학자는 학습된 솔루션을 기억하고 미래의 문제해결을 시도한다.

이러한 기술로 그들은 AI 물리학자가 이 단계를 거치도록했다. 그들은 한 영역에서 다른 영역까지 다양한 물리 법칙에 의해 지배되는 40개의 가상 세계를 고안해 이 작업을 수행한다. 이 세계 중 하나에 던져진 공은 중력의 힘을 받는 전자기력 포텐셜에 의해 지배되는 세계로 떨어질 수 있다. 그 다음 테스트는 조화 잠재력이 지배하는 세계 등이다.

자동으로 결정된 경계의 점.

우와 테그마크가 묻는 것은 AI 물리학자가 시간이 지남에 따라 공의 움직임을 관찰함으로써 물리학의 관련 법칙을 유도 할 수 있는지다. 그리고 그들은 AI 물리학자의 행동을 기존의 신경망(conventional neural network)뿐만 아니라 생애 학습( lifelong learning)작용이 없는 동일한 접근 방식을 사용하는 ‘신생 물리학자(Newborn Physicist)’의 행동과 비교한다.

AI 물리학자와 신생 물리학자는 관련 규칙을 도출했다. “두 요원 모두 40 가지 미스터리 세계의 90 % 이상을 해결할 수 있다”고 그들은 말한다.

AI 물리학자의 신생 물리학자에 대한 주된 이점은 데이터를 덜 사용하며 더 빠르게 학습한다는 것이다. 우와 테그마크는 “이것은 경험이 많은 과학자가 비슷한 문제에 대한 사전 지식을 바탕으로 초보자보다 새로운 문제를 빨리 해결할 수있는 것과 매우 흡사하다”라고 말한다.

그들의 시스템은 기존의 신경 네트워크보다 훌륭했다. “AI 물리학자는 일반적으로 더 빨리 학습하고 비교 가능한 복잡도의 표준 피드 포워드 신경망보다 약 10억 배 더 작은 평균 제곱 예측 오차를 산출한다”고 말한다.

이것은 인공지능 시스템이 과학이 진행되는 방식에 중요한 영향을 미칠 수 있다는 것을 보여주는 의미있는 작업이다. 물론 실제 시험은 AI 물리학자가 피사 대성당 내부와 같은 실제 환경에서 기계식 시계의 원리를 이끌어 내는지 여부를 확인하는 것이다. 또는 경제학자, 생물학자 및 기후과학자를 규칙적으로 괴롭히는 복잡한 데이터 세트와 같은 다른 데이터 세트를 테스트 할 수도 있다.

AI Physicist 연구는 인공지능을 물리법칙에 활용하는 과학적 방법론의 새로운 첫 걸음이다.