محققان در مطالعه اخیر خود، عملکرد شبکههای عصبی (مثل ترنسفورمرها و مدلهای گراف) را در بازسازی ساختارهای فیزیکی (مدلهای آیزینگ) بررسی کردند. نتیجه جالب و کمی نگرانکننده است: بسیاری از این مدلها به جای درک قوانین فیزیکی، از «سوگیریهای آماری» معماری خود برای پیشبینی استفاده میکنند!
این یعنی مدلها در دادههای خارج از توزیع (Out-of-distribution) ممکن است راهکارهای سادهانگارانهای انتخاب کنند که فقط در ظاهر درست به نظر میرسند. این پژوهش به ما یادآوری میکند که نباید فریب دقت بالای مدلهای هوش مصنوعی در مسائل علمی را بخوریم و نیاز به روشهای «قانونمحور» در کشفیات علمی داریم. 🚀
منبع: arXiv Machine Learning
