工程师们终于窥视了深度神经网络

假设你有一个尖端的小工具，可以破解世界上任何保险箱，但你不知道它是如何工作的。你会怎么做？你可以拿一个更古老的保险箱破解工具——也许是一根可靠的撬棍。你可以用那根杠杆撬开你的小工具，窥视它的内部结构，并尝试对其进行逆向工程。事实上，这正是科学家们刚刚用数学做的事情。

研究人员使用物理学家和工程师几十年来一直使用的一种老套数学分析方法，对深度神经网络（一种人工智能，其内部结构以神秘著称）进行了研究。研究人员于 1 月 23 日在PNAS Nexus杂志上发表了他们的研究成果。他们的研究结果表明，他们的人工智能正在做许多人类长期以来一直在做的计算。

这篇论文的作者通常使用深度神经网络来预测极端天气事件或其他气候应用。虽然更好的本地预报可以帮助人们安排他们的公园日期，但预测风和云也可以帮助可再生能源运营商计划在未来几个小时内向电网投入什么。

“我们在这个领域已经工作了一段时间，我们发现神经网络在处理这类系统方面非常强大，”德克萨斯州莱斯大学机械工程师、研究作者之一 Pedram Hassanzadeh 说。

如今，气象学家通常使用需要巨型超级计算机的模型进行此类预报。深度神经网络只需要更少的处理能力即可完成相同的任务。不难想象，未来任何人都可以在野外用笔记本电脑运行这些模型。

[相关：迪士尼建立了一个神经网络来自动改变演员的年龄]

人工智能有多种形式；深度神经网络只是其中一种，尽管它非常重要。神经网络有三个部分。假设你建立了一个神经网络，可以根据图像识别动物。第一部分可能会将图片转换成数据；中间部分可能会分析数据；最后一部分可能会将数据与动物列表进行比较并输出最佳匹配。

深度神经网络之所以“深度”，是因为其创建者将中间部分扩展为更复杂的结构，由多个层组成。例如，图像观察深度网络的每一层可能会连续分析图像中更复杂的部分。

这种复杂性使得深度神经网络非常强大，它们推动了人工智能近年来许多令人印象深刻的壮举。十多年前，它们最初的能力之一是将人类语音转录成文字。后来，它们为图像上色、追踪金融欺诈和设计药物分子。而且，正如哈桑扎德的团队所展示的那样，它们可以预测天气和气候。

[相关：我们让神经网络为我们烤蛋糕。结果很有趣。]

对于许多科学家来说，问题在于没有人能够真正看到网络在做什么，这是由于这些网络的构建方式所致。他们通过为网络分配任务并输入数据来训练网络。随着新生网络消化更多数据，它会自我调整以更好地执行任务。最终结果是一个“黑匣子”，一个内部结构如此混乱的工具，甚至连其创造者都无法完全理解它们。

人工智能专家们投入了无数的时间，寻找更好的方法来研究他们的创造物。对于一个简单的图像识别网络来说，这已经很困难了。理解一个深度神经网络就更难了，因为它正在处理一个由无数活动部件组成的系统，比如地球气候。

尽管如此，回报还是值得的。如果科学家知道他们的神经网络是如何工作的，他们不仅可以更多地了解他们自己的工具，还可以思考如何将这些工具用于其他用途。例如，他们可以制作天气预报模型，在空气中二氧化碳含量更高的世界中更好地发挥作用。

因此，哈桑扎德和他的同事们想到将傅里叶分析（几十年来物理学家和数学家的工具箱中常用的一种方法）应用于他们的人工智能。将傅里叶分析视为一种翻译行为。最终语言将数据集表示为较小函数的总和。然后，您可以应用某些过滤器来抹去该总和的部分，从而让您看到模式

他们的尝试最终成功了。哈桑扎德和他的同事发现，他们的神经网络所做的，本质上就是许多科学家都会使用的相同过滤器的组合。

哈桑扎德说：“这更好地将神经网络的内部工作原理与物理学家和应用数学家过去几十年来一直在做的事情联系起来。”

如果他和他的同事对他们刚刚发表的研究的结论是正确的，那么这意味着他们已经打开了——稍微——一些看似魔术的东西，用一根由数学制成的撬棍，科学家们已经研究了一个多世纪。