盡管AI系統已取得長足進步，但它們仍然無法應對混沌或不可預測性。現在，研究人員想教授AI物理學以解決此類問題。

更具體地說，教AI哈密頓函數——這一數學概念能提供有關整個動態系統的信息：動力學關系，動能和勢能等。

神經網絡旨在將人腦的粗略模擬升級為復雜的、經過加權的AI算法，然后對正在發生的事情有“更深刻的了解”，為AI解決越來越難的問題提供可能性。

北卡羅來納州立大學的物理學家約翰·林德納說：“哈密頓量確實是一種特殊的調味料，它使神經網絡能夠學習秩序和混亂。有了哈密頓算子，神經網絡以一種傳統網絡無法理解的方式來理解潛在的動力學。這是邁向物理學的神經網絡的第一步，可以幫助我們解決難題。”

研究人員用漢密爾頓函數教導AI分析彈性振子——前者向AI提供有關擺動速度及路徑的信息，而不僅僅是向AI顯示某個時刻振子的位置。

新研究發現，如果神經網絡能夠理解哈密頓流，那么它們就能更好地認知混沌。

不僅如此，物理學還可以提高它們的效率：無需大量額外的神經節點，就能夠更好地預測動態的，本不可預測的對象。它有助于AI快速更全面地了解世界的實際運行方式。

為了測試新改進的AI神經網絡，研究人員將其與通常被稱為Hénon-Heiles的基準模型進行了比較，該模型最初用于模擬行星在太陽周圍的運動。

哈密頓神經網絡成功通過了測試，正確預測了系統在有序和混沌狀態下的動力學發展。

改進后的AI可用于領域從醫學診斷到飛機自動駕駛。相對而言，該技術才剛剛起步，還有巨大的提升空間。

研究人員寫道：“如果混沌是非線性的‘超級力量’，從而使確定性動力學幾乎無法應用，那么哈密頓量就是神經網絡的‘秘密調料’，它是一種特殊的成分，可以使AI學習和預測有序和混沌現象。”