A arquitetura de rede neural KAN deu início a uma grande atualização - versão KAN 2.0. Esta atualização melhora significativamente as capacidades de aplicação do KAN na pesquisa científica, especialmente no campo da física clássica. Os pesquisadores são capazes de personalizar modelos KAN 2.0 e incorporar conhecimentos para explorar melhor os sistemas físicos, como identificar conceitos-chave como o Lagrangiano. Isto marca outro salto na aplicação da IA na investigação científica e proporciona uma nova forma de resolver o problema de incompatibilidade inerente entre a IA e a ciência.
A arquitetura de rede neural KAN inaugurou sua versão 2.0. Esta atualização torna o KAN mais profundamente integrado às questões científicas, especialmente no campo da pesquisa em física clássica. Os pesquisadores agora podem personalizar seu próprio KAN2.0 e incorporar conhecimentos especializados ao modelo para descobrir conceitos importantes, como o Lagrangiano em sistemas físicos.
O KAN2.0 permite aos pesquisadores customizar modelos de acordo com as necessidades pessoais, utilizando o conhecimento profissional como variável auxiliar, proporcionando uma nova perspectiva para o estudo da física clássica.
A nova estrutura KAN2.0 é dedicada a resolver o problema de incompatibilidade inerente entre IA e ciência. Unifica a IA e a ciência através de uma sinergia bidirecional – integrando o conhecimento científico no KAN e extraindo insights científicos do KAN.
Três novas funções do KAN2.0
MultKAN: KAN que introduz nós de multiplicação aumenta a capacidade de expressão do modelo.
kanpiler: Um compilador que compila fórmulas simbólicas em KAN, melhorando a praticidade do modelo.
Conversor de árvore: Converte a arquitetura KAN2.0 em um diagrama de árvore, melhorando a interpretabilidade do modelo.
O papel do KAN2.0 na descoberta científica reflete-se principalmente em três aspectos: identificação de características importantes, revelação de estruturas de módulos e descoberta de fórmulas simbólicas. Esses recursos são aprimorados em relação ao KAN original.
A interpretabilidade do KAN2.0 é mais geral e adequada para áreas como química e biologia que são difíceis de expressar por equações simbólicas. Os usuários podem construir estruturas modulares no KAN2.0 e ver visualmente as estruturas modulares trocando com neurônios MLP.
A equipe de pesquisa planeja aplicar o KAN2.0 a problemas de maior escala e expandi-lo para outras disciplinas científicas além da física.
Esta pesquisa foi concluída em conjunto por cinco pesquisadores do MIT, do Instituto de Tecnologia da Califórnia, do MIT CSAIL e de outras instituições, incluindo três acadêmicos chineses. Liu Ziming, o primeiro autor do artigo, é estudante de doutorado do quarto ano no MIT. Seus interesses de pesquisa concentram-se na intersecção da inteligência artificial e da física.
Endereço do artigo: https://arxiv.org/pdf/2408.10205
Endereço do projeto: https://github.com/KindXiaoming/pykan
O lançamento do KAN 2.0 fornece uma nova ferramenta poderosa para pesquisa científica com aplicações promissoras em campos interdisciplinares. No futuro, podemos esperar que o KAN 2.0 faça avanços em mais campos científicos e promova o desenvolvimento acelerado de descobertas científicas. O código-fonte deste projeto é de código aberto e todos são bem-vindos para contribuir.