Die neuronale Netzwerkarchitektur KAN hat ein großes Upgrade eingeläutet – die KAN 2.0-Version. Dieses Update erweitert die Einsatzmöglichkeiten der KAN in der wissenschaftlichen Forschung, insbesondere im Bereich der klassischen Physik, erheblich. Forscher können KAN 2.0-Modelle individuell anpassen und Fachwissen einbeziehen, um physikalische Systeme besser zu erforschen, beispielsweise um Schlüsselkonzepte wie die Lagrange-Funktion zu identifizieren. Dies stellt einen weiteren Sprung in der Anwendung von KI in der wissenschaftlichen Forschung dar und bietet eine neue Möglichkeit, das inhärente Inkompatibilitätsproblem zwischen KI und Wissenschaft zu lösen.
Die neuronale Netzwerkarchitektur KAN hat ihre Version 2.0 eingeführt. Mit diesem Update ist KAN stärker in wissenschaftliche Fragestellungen integriert, insbesondere im Bereich der klassischen Physikforschung. Forscher können jetzt ihr eigenes KAN2.0 anpassen und Fachwissen in das Modell integrieren, um wichtige Konzepte wie den Lagrange-Operator in physikalischen Systemen zu entdecken.
KAN2.0 ermöglicht es Forschern, Modelle an ihre persönlichen Bedürfnisse anzupassen und dabei Fachwissen als Hilfsvariable zu nutzen, was eine neue Perspektive für das Studium der klassischen Physik bietet.
Das neue Framework KAN2.0 widmet sich der Lösung des inhärenten Inkompatibilitätsproblems zwischen KI und Wissenschaft. Es vereint KI und Wissenschaft durch wechselseitige Synergien – indem es wissenschaftliche Erkenntnisse in KAN integriert und wissenschaftliche Erkenntnisse aus KAN extrahiert.
Drei neue Funktionen von KAN2.0
MultKAN: KAN, das Multiplikationsknoten einführt, verbessert die Ausdrucksfähigkeit des Modells.
Kanpiler: Ein Compiler, der symbolische Formeln in KAN kompiliert und so die Praktikabilität des Modells verbessert.
Baumkonverter: Konvertiert die KAN2.0-Architektur in ein Baumdiagramm und verbessert so die Interpretierbarkeit des Modells.
Die Rolle von KAN2.0 bei der wissenschaftlichen Entdeckung spiegelt sich hauptsächlich in drei Aspekten wider: Identifizierung wichtiger Merkmale, Offenlegung von Modulstrukturen und Entdeckung symbolischer Formeln. Diese Funktionen wurden gegenüber dem ursprünglichen KAN verbessert.
Die Interpretierbarkeit von KAN2.0 ist allgemeiner und eignet sich für Bereiche wie Chemie und Biologie, die sich nur schwer durch symbolische Gleichungen ausdrücken lassen. Benutzer können modulare Strukturen in KAN2.0 einbauen und die modularen Strukturen durch den Austausch mit MLP-Neuronen visuell sehen.
Das Forschungsteam plant, KAN2.0 auf größere Probleme anzuwenden und es auf andere wissenschaftliche Disziplinen über die Physik hinaus auszuweiten.
Diese Forschung wurde gemeinsam von fünf Forschern des MIT, des California Institute of Technology, des MIT CSAIL und anderer Institutionen durchgeführt, darunter drei chinesische Wissenschaftler. Liu Ziming, der Erstautor der Arbeit, ist Doktorand im vierten Jahr am MIT. Seine Forschungsinteressen konzentrieren sich auf die Schnittstelle zwischen künstlicher Intelligenz und Physik.
Papieradresse: https://arxiv.org/pdf/2408.10205
Projektadresse: https://github.com/KindXiaoming/pykan
Die Veröffentlichung von KAN 2.0 bietet ein leistungsstarkes neues Werkzeug für die wissenschaftliche Forschung mit vielversprechenden Anwendungen in interdisziplinären Bereichen. Wir können davon ausgehen, dass KAN 2.0 in Zukunft in mehr wissenschaftlichen Bereichen Durchbrüche erzielen und die beschleunigte Entwicklung wissenschaftlicher Entdeckungen vorantreiben wird. Der Quellcode dieses Projekts ist Open Source und jeder ist willkommen, einen Beitrag zu leisten.