ฟิสิกส์อิเล็กทรอนิกส์ตอนที่6 : โครงข่ายประสาทเทียมและพฤติกรรมทางฟิสิกส์

          จากความเดิมในตอนที่แล้ว เราได้เห็นแล้วว่า AI หรือปัญญาประดิษฐ์สามารถสร้างสรรค์ผลงานศิลปะใหม่ตามสไตล์การวาดของศิลปินเอกท่านต่างๆได้ แต่ความน่ามหัศจรรย์ของปัญญาประดิษฐ์ยังไม่หมดเพียงเท่านี้ ในฟิสิกส์อิเล็กทรอนิกส์ตอนที่6 นี้ ท่านผู้อ่านจะได้เห็นอีกว่าโครงข่ายประสาทเทียมหรือ AI ยังสามารถเรียนรู้ เข้าใจ และพยากรณ์พฤติกรรมหรือปรากฏการณ์ทางฟิสิกส์ที่มีความสลับซับซ้อนสูงได้อีกด้วย


          ตัวอย่างที่ดีในเรื่องนี้คืองานวิจัยตามเอกสารอ้างอิง[1] ที่จากเดิมการที่จะศึกษาและจำลองพฤติกรรมของการเคลื่อนที่ของอนุภาคจำนวนมาก เช่นการเคลื่อนที่และรูปทรงที่เปลี่ยนไปของน้ำและทราย จะใช้การคำนวนจากกฏฟิสิกส์ของการเคลื่อนที่ที่เกี่ยวข้องร่วมกับการใช้ระเบียบวิธีเชิงตัวเลข(Numerical Method) ในการจำลองการทำงานเป็นต้น ซึ่งมีข้อเสียคือต้องใช้เวลาวิเคราะห์คำนวนนานมาก แต่วิธี Graph Network-based Simulators (GNS) ที่นักวิจัยตามเอกสารอ้างอิง[1] ได้พัฒนาขึ้นมานั้นสามารถใช้งานทดแทนได้ดี จนอาจจะสามารถนำไปใช้แทนระเบียบวิธีเชิงตัวเลขยอดนิยมอย่าง ระเบียบวิธีไฟไนต์เอเลเมนต์ (finite element method) ได้ในอนาคต


          โครงสร้างและขั้นตอนการเรียนรู้ของ GNS แสดงได้ดังรูปที่ 1  ผลลัพธ์ที่ได้จากการจำลองเหตุการณ์ตามกฏฟิสิกส์กับผลลัพธ์ที่ได้จาก GNS มีความใกล้เคียงกันเป็นอย่างมากแสดงได้ดังรูปที่2             นอกจากนี้ AI ยังสามารถใช้พยากรณ์ปัญหาไม่เชิงเส้นได้อีกด้วย[2] สามารถเพิ่มความเร็วในการคำนวน lattice QCD ในปัญหาที่เกี่ยวข้องกับฟิสิกส์อนุภาค[3] เรียนรู้และแก้สมการชเรอดิงเงอร์[4] แต่ก็ยังสามารถใช้แก้ไขปัญหาในระดับเอกภพได้ด้วย เช่นการพัฒนาโมเดล Deep Density Displacement Model (D3M) ขึ้นมาใช้เป็นแบบจำลองเอกภพได้แม่นยำกว่าโมเดล Second order Lagrangian perturbation theory (2LPT) เดิมที่ใช้กันอยู่ในปัจจุบัน[5] เพราะ AI สามารถคำนวนและแก้ปัญหา 3 วัตถุไปจนถึง N วัตถุได้ในตัว[6] (ถึงแม้ตอนนี้เราจะยังไม่รู้ว่ามันทำอย่างนั้นได้อย่างไร) นอกจากจะให้ผลลัพธ์การคำนวนที่ถูกต้องแม่นยำกว่าแล้ว ยังใช้เวลาคำนวนน้อยกว่าเดิมมากอีกด้วย โดยวิธี 2LPT เดิมนั้นใช้เวลาคำนวนประมาณ 300 ชั่วโมงต่อการจำลอง 1 ครั้ง แต่ AI ใช้เวลาแค่เพียง 30 มิลลิวินาทีเท่านั้น! [5]
            หากท่านผู้อ่านได้อ่านมาถึงตรงนี้แล้วรู้สึกคันไม้คันมือ อยากจะลองศึกษา เขียนโค้ดโปรแกรม สร้างอัลกอริทึมของ AI ขึ้นมาเองบ้าง ผู้เขียนขออนุญาตแนะนำ Google Colab ซึ่งเป็นโครงการที่พัฒนาโดยทีมวิจัยของ Google ที่เปิดให้นักศึกษาและบุคคลทั่วไปสามารถสร้าง AI ขึ้นมาได้ฟรีผ่าน Google Chrome Browser โดยในเอกสารอ้างอิงที่[7] เป็น AI ที่สามารถสร้างสรรค์ผลงานศิลปะตามสไตล์การวาดของศิลปินเอกท่านต่างๆได้แบบที่ได้นำเสนอในฟิสิกส์อิเล็กทรอนิกส์ตอนที่5 : สติปัญญาอิเล็กทรอนิกส์และการเรียนรู้ได้ของเครื่องจักร รูปที่ 4 เป็นภาพถ่ายของวัดร่องขุน จังหวัดเชียงราย จากเอกสารอ้างอิง[8] มาให้ AI วาดใหม่ตามสไตล์ของ วินเซนต์ แวน โก๊ะ           คำอธิบายอย่างง่ายและกระชับที่สุดว่าเหตุใด AI ถึงสามารถเรียนรู้งานศิลปะเหล่านี้ได้ เป็นเพราะเราสามารถสร้างโครงข่ายประสาทเทียมบนอุปกรณ์ทางฟิสิกส์ได้ กล่าวคือ เราสามารถสร้างโครงข่ายประสาทเทียมจากการเขียนโปรแกรมบนคอมพิวเตอร์ได้ เมื่อเราทำการถ่ายภาพหรือสแกนภาพเข้าสู่ระบบคอมพิวเตอร์ ภาพที่ตาเรามองเห็นจะถูกสุ่มตัวอย่างเป็นจุดบนภาพเล็กๆ เรียกว่า พิกเซล (pixel) แต่ละพิกเซลจะเรียงต่อกันเป็นเมทริกซ์ (matrix) ที่มีขนาดเท่ากับขนาดของภาพ  ในกรณีของภาพสี รูปภาพจะถูกเก็บไว้ในรูปของเมทริกซ์ เป็นจำนวน 3 เมทริกซ์  แยกกันตามชนิดของสี(RGB)  ซึ่งได้แก่ เมทริกซ์ของสีแดง เมทริกซ์ของสีเขียวและเมทริกซ์ของสีน้ำเงิน ตามลำดับ การผสมกันของสีทั้งสามนี้ จะก่อให้เกิดเฉดสีต่างๆของภาพบนหน้าจอคอมพิวเตอร์ ในกรณีที่รูปภาพที่เรานำมาให้ AI เรียนรู้นั้นเป็นภาพวาดที่มีรูปแบบหรือเอกลักษณ์เฉพาะตัว นั่นหมายความว่าทั้งความเข้มสี ทิศทาง ตำแหน่ง และข้อมูลอื่นๆที่สำคัญของภาพ หรือก็คือสไตล์การวาดของศิลปิน ย่อมถูกแปลงให้อยู่ในรูปของเมทริกซ์ไปด้วย เมื่อรูปภาพและข้อมูลทั้งหมดอยู่ในรูปของเมทริกซ์  เราก็สามารถใช้ AI เรียนรู้ความสัมพันธ์และรูปแบบต่างๆของแต่ละจุดสีบนภาพหรือก็คือพิกเซลบนภาพได้ และเมื่อ AI เรียนรู้เสร็จ เราก็สามารถใช้ให้ AI วาดภาพใดๆขึ้นมาใหม่แต่มีสไตล์การวาดแบบเดียวกันกับภาพต้นฉบับเดิมได้!


          นอกจากข้อมูลที่อยู่ในรูปแบบของเมทริกซ์ทางคณิตศาสตร์อย่างเช่นในกรณีของรูปภาพแล้ว AI ยังสามารถเรียนรู้ความสัมพันธ์ระหว่างข้อมูล และรูปแบบของข้อมูลชนิดอื่นๆได้อีกด้วย ในกรณีของพฤติกรรมทางฟิสิกส์ หากเราสามารถนำผลการทดลองทางฟิสิกส์ใดๆ มาเตรียมให้อยู่ในรูปแบบที่เหมาะสมต่อการป้อนให้กับ AI AI ก็จะสามารถเรียนรู้ชุดของข้อมูลเหล่านั้นได้ ถึงแม้ว่าข้อมูลนั้นจะมีขนาดมหึมา (Big Data)  หรือมีความซับซ้อนสูงมากก็ตาม อันที่จริงแล้ว ยิ่งข้อมูลมีขนาดใหญ่มากขึ้นเท่าใด AI ก็ยิ่งจะมีประสิทธิภาพในการพยากรณ์ผลลัพธ์มากยิ่งขึ้นเท่านั้น! ซึ่งสิ่งนี้แตกต่างจากมนุษย์ที่ประสิทธิภาพในการวิเคราะห์ข้อมูลจะลดลงเมื่อข้อมูลนั้นจะมีขนาดมหึมาหรือมีความซับซ้อนสูง (workload สูง)


          นอกจากความสามารถในการเรียนรู้ข้อมูลในปริมาณมากๆได้อย่างมีประสิทธิภาพแล้ว AI ยังมีความเร็วในการเรียนรู้ที่อยู่ในระดับ “มหัศจรรย์” มาก เมื่อเทียบกับมนุษย์ ยิ่งเทคโนโลยีคอมพิวเตอร์พัฒนาดีขึ้นมากเท่าใด ความเร็วในการเรียนรู้ของ AI ก็ยิ่งมากขึ้นตามไปด้วยเท่านั้น สิ่งนี้เปิดโอกาสให้เราสามารถทำการวิเคราะห์และเข้าใจธรรมชาติได้อย่างที่ไม่เคยเป็นมาก่อน อาจจะเรียกได้ว่าเรากำลังใช้ฟิสิกส์(AI) ในการศึกษาตัวฟิสิกส์เอง!


          ในมุมหนึ่ง การที่ AI สามารถสร้างสรรค์งานศิลปะได้ มิใช่แค่เพียงการเลียนแบบรูปทรงหรือรูปร่างของวัตถุในภาพวาดแต่เพียงเท่านั้น เราสามารถให้ AI นำสไตล์การวาดของแต่ล่ะท่านมารวมกันเป็นสไตล์ใหม่ได้! เช่นการให้ AI นำภาพของศิลปินเอกท่านหนึ่ง ไปวาดใหม่ในสไตล์ของศิลปินเอกอีกท่าน ภาพที่ออกมาก็จะเป็นการผสมรวมกันของสไตล์งานศิลปะของทั้งสองท่าน! และหากเราให้ AI นำทุกสไตล์การวาดในโลกนี้มารวมกัน AI ก็ย่อมสามารถที่จะกระทำได้อย่างง่ายได้ สิ่งนี้บ่งชี้ว่า AI อาจจะมี “สติปัญญา” (intelligence) ในการสร้างสรรค์สิ่งใหม่ จากการเรียนรู้สิ่งในเก่า หากเทียบกับมนุษย์ สิ่งนี้อาจมองได้ว่า AI กำลังมี “จินตนาการ” เพราะการสร้างสรรค์สิ่งใหม่ ไม่ว่าจะเป็นงานศิลปะ หรือแม้กระทั่งฟิสิกส์ทฤษฎีใหม่ๆ มนุษย์เราต้องใช้สิ่งที่เรียกว่า “จินตนาการ” นั่นเอง 


          จากที่ได้กล่าวมาทั้งหมด ไม่แน่ว่าเราอาจใช้ AI สร้างทฤษฎีทางฟิสิกส์ใหม่ๆได้ หรือแม้กระทั่ง บางทีผู้ที่จะสามารถแก้ไขปัญหาความขัดแย้งระหว่างทฤษฎีสัมพัทธภาพทั่วไปกับทฤษฎีกลศาสตร์ควอนตัมจนนำไปสู่การค้นพบทฤษฎีแห่งสรรพสิ่ง (theory of everything) ได้อาจจะมิใช่มนุษย์หากแต่เป็น AI !!!
 

อ้างอิง
[1] Sanchez-Gonzalez, Alvaro & Godwin, Jonathan & Pfaff, Tobias & Ying, Rex & Leskovec, Jure & 
     Battaglia, Peter. (2020). Learning to Simulate Complex Physics with Graph Networks.

[2] Choudhary, Anshul & Lindner, John & Holliday, Elliott & Miller, Scott & Sinha, Sudeshna & 
     Ditto, William. (2020). Physics-enhanced neural networks learn order and chaos. Physical 
     Review E. 101. 10.1103/PhysRevE.101.062207.

[3] Shanahan, Phiala & Trewartha, Daniel & Detmold, William. (2018). Machine learning action 
     parameters in lattice quantum chromodynamics. Physical Review D. 
     97. 10.1103/PhysRevD.97.094506.

[4] Hermann, J., Schätzle, Z. & Noé, F. Deep-neural-network solution of the electronic 
     Schrödinger equation. Nat. Chem. 12, 891–897 (2020). https://doi.org/10.1038/s41557-020-
     0544-y

[5] https://phys.org/news/2019-06-ai-universe-sim-fast-accurateand.html

[6] Siyu He, Yin Li, Yu Feng, Shirley Ho, Siamak Ravanbakhsh, Wei Chen, Barnabás Póczos. 
     Learning to predict the cosmological structure formation. Proceedings of the National 
     Academy of Sciences, 2019; 201821458 DOI: 10.1073/pnas.1821458116

[7] https://colab.research.google.com/github/tensorflow/models/blob/master/research/
     nst_blogpost/4_Neural_Style_Transfer_with_Eager_Execution.ipynb
   
[8] https://www.planetware.com/wpimages/2020/01/thailand-best-cities-chiang-rai.jpg