Arsitektur jaringan saraf KAN telah mengantarkan peningkatan besar - versi KAN 2.0. Pembaruan ini secara signifikan meningkatkan kemampuan penerapan KAN dalam penelitian ilmiah, khususnya di bidang fisika klasik. Para peneliti dapat menyesuaikan model KAN 2.0 dan menggabungkan keahlian untuk mengeksplorasi sistem fisik dengan lebih baik, seperti mengidentifikasi konsep-konsep utama seperti Lagrangian. Hal ini menandai lompatan lain dalam penerapan AI dalam penelitian ilmiah dan memberikan cara baru untuk memecahkan masalah ketidakcocokan yang melekat antara AI dan sains.
Arsitektur jaringan syaraf tiruan yang dihadirkan KAN pada versi 2.0 ini membuat KAN semakin terintegrasi dengan isu-isu keilmuan, khususnya di bidang penelitian fisika klasik. Para peneliti sekarang dapat menyesuaikan KAN2.0 mereka sendiri dan menggabungkan keahlian ke dalam model untuk menemukan konsep-konsep penting seperti Lagrangian dalam sistem fisik.
KAN2.0 memungkinkan peneliti untuk menyesuaikan model sesuai dengan kebutuhan pribadi, menggunakan pengetahuan profesional sebagai variabel tambahan, memberikan perspektif baru dalam studi fisika klasik.
Kerangka kerja baru KAN2.0 didedikasikan untuk memecahkan masalah ketidakcocokan yang melekat antara AI dan sains. Hal ini menyatukan AI dan sains melalui sinergi dua arah - mengintegrasikan pengetahuan ilmiah ke dalam KAN dan mengekstraksi wawasan ilmiah dari KAN.
Tiga fungsi baru KAN2.0
MultKAN: KAN yang memperkenalkan node perkalian meningkatkan kemampuan ekspresi model.
kanpiler: Kompiler yang mengkompilasi rumus simbolik ke dalam KAN, sehingga meningkatkan kepraktisan model.
Konverter pohon: Mengubah arsitektur KAN2.0 menjadi diagram pohon, meningkatkan interpretasi model.
Peran KAN2.0 dalam penemuan ilmiah terutama tercermin dalam tiga aspek: mengidentifikasi fitur-fitur penting, mengungkap struktur modul, dan menemukan rumus simbolik. Fitur-fitur ini ditingkatkan dibandingkan KAN asli.
Interpretabilitas KAN2.0 lebih umum dan cocok untuk bidang seperti kimia dan biologi yang sulit diungkapkan dengan persamaan simbolik. Pengguna dapat membangun struktur modular ke dalam KAN2.0 dan melihat struktur modular secara visual dengan bertukar dengan neuron MLP.
Tim peneliti berencana menerapkan KAN2.0 pada permasalahan berskala lebih besar dan memperluasnya ke disiplin ilmu lain di luar fisika.
Penelitian ini diselesaikan bersama oleh lima peneliti dari MIT, California Institute of Technology, MIT CSAIL dan institusi lainnya, termasuk tiga sarjana Tiongkok. Liu Ziming, penulis pertama makalah ini, adalah mahasiswa doktoral tahun keempat di MIT. Minat penelitiannya berfokus pada titik temu antara kecerdasan buatan dan fisika.
Alamat makalah: https://arxiv.org/pdf/2408.10205
Alamat proyek: https://github.com/KindXiaoming/pykan
Peluncuran KAN 2.0 menyediakan alat baru yang ampuh untuk penelitian ilmiah dengan penerapan yang menjanjikan di bidang interdisipliner. Kedepannya, KAN 2.0 diharapkan dapat melakukan terobosan-terobosan di bidang yang lebih ilmiah dan mendorong percepatan pengembangan penemuan-penemuan ilmiah. Kode sumber proyek ini bersumber terbuka, dan semua orang dipersilakan untuk berkontribusi.