在家学习效率低下，而且懒得学习的时候就总想找借口做点别的……之前是よゐこ的翻译，现在时间不多了所以做点"省事儿"的……
正好最近看到了这篇文章，觉得挺有意思，所以就翻译过来好了。（其实没什么翻译的必要，因为现在谷歌翻译真的翻译得挺好的……）
不是相关人士，翻译质量无法保证，有误欢迎指正。斜体是我自己加进去方便理解的。
原文：doi: 10.1038/d41586-019-03332-7
AI哥白尼“发现”地球在围绕太阳转动
自学物理定律的神经网络可以帮忙解决量子力学问题。
天文学家们用了几个世纪的时间才发现太阳是太阳系的中心。然而现在类脑机器学习算法（a machine-learning algorithm inspired by the brain）通过分析地球上观测到的太阳与火星的运动就可以得出这一结论。且这一壮举只是测试的第一步，研究员希望可以利用这项技术分析大数据集并找出相应模式，进而发现物理学新定律，或许还可以重新制定量子力学。结果将发表在《物理评论快报》1（Physical Review Letters）中。
苏黎世（Zurich）瑞士联邦理工学院（ETH）的物理学家雷纳托·雷纳（Renato Renner）及其合作者想设计的是：模仿物理学家总结简洁公式（如E = mc^2）的方法，将大数据集精简为几个基本公式的算法。为此，研究员们需要设计一种新型的神经网络，借鉴脑神经结构的机器学习系统（就是深度学习的系统吧）。
常规的神经网络通过大量数据集的训练来学习认识物体（比如图像或声音）。它们可以发现一些普遍的特征，例如说，可能会通过"四条腿"和"尖耳朵"来识别猫猫；然后在数学"节点"（类似神经元的人造物）中对这些特征进行编码。但是这些神经网络不会像物理学家那样将信息简化成一些简单易懂的定律，而是像黑匣子一样，以一种难以预测和解释的方式在成千上万甚至上百万的节点中传播获取到的信息。
因此雷纳的团队设计了一种"切除了脑白质"的神经系统：两个子网络仅通过少数链接进行连接。第一条子网是常规神经网络，通过数据进行学习，第二条子网利用其"经验"来做出新的预测并测试。因为两条网络中的链接非常少，第一条子网不得不压缩其信息进行传播。雷纳将这种形式类比为授课。
（脑白质切除术（lobotomy）是一种神经外科手术，包括切除前额叶皮质的连接组织。主要于1930年代到1950年代用来医治一些精神病，手术对象在经过手术后往往丧失精神冲动，表现出类似痴呆、弱智的迹象。随着后来药物治疗的发展和其他更精确脑外科手术的发展，脑白质切除术在20世纪70年代以后逐渐被抛弃。
总结自脑白质切除术中文维基）
行星的位置
最初测试的一个内容就是为神经网络提供在地球上观测时，火星和太阳在天空中的模拟运动数据。以地球为视点时，火星的太阳轨道是很古怪的，比如它会周期性地反转方向后退。几个世纪以来，天文学家们都认为地球是宇宙的中心，认为火星是在本轮上做小半径的运动，并以此来解释火星的这一运动现象。但在16世纪，尼古拉·哥白尼（Nicolaus Copernicus）发现假如地球和其他行星都围绕太阳运动，就可以用一套更为简单的公式来预测火星的这种运动。
（本轮是地心说的一个概念，行星在本轮小圆上运动，本轮本身也在绕着均轮大圆运动。可以参考下图。）
加拿大多伦多大学一位致力于将人工智能应用于科学发现领域的物理学家马里奥·克伦（Mario Krenn）表示：该团队的神经网络针对火星轨道提出了哥白尼式的公式，重新发现了"科学史上最重要的范式转变之一"。
（范式：paradigm，/ˈpærədaɪm/。在科学和哲学中，范式是一组不同的概念或思维模式，包括构成一个领域合理贡献的理论，研究方法，假设和标准（a distinct set of concepts or thought patterns, including theories, research methods, postulates, and standards for what constitutes legitimate contributions to a field.）。英文部分来自paradigm英文维基百科。）
雷纳强调，尽管算法推导出了公式，但是仍需要人类来解释这些方程以及理解他们如何和行星的绕日运动相联系。
纽约市哥伦比亚大学的机器人学家霍德·利普森（Hod Lipson）指出：由人来做的这项工作能够挑选出描述物理系统的关键参数，因此是非常重要的。他还提到"我认为，如今物理学和其他领域的现象日益复杂，这种技术是我们理解和跟上其步伐的唯一希望。"
雷纳和他的团队希望开发机器学习技术，以帮助物理学家们解决量子力学中的明显矛盾。该理论似乎会对实验的结果以及遵守定律的观测者的观测方式产生矛盾的预测2。
（不过文章还没看，所以这句话译得很诡异。）
雷纳提到，"量子力学目前的形式可能只是历史进程中的一个人工产品"。他补充道，如果是电脑得出的结论就不会出现这种矛盾，但是团队最新的技术仍不够完善。为了向这个目标迈进，他和合作者们正在努力开发一版不仅可以从实验数据中学习，也可以设计新实验来检验其假设的神经系统。
参考文献：
1.Iten, R., Metger, T., Wilming, H., del Rio, L. & Renner, R. Phys. Rev. Lett. (in the press).
2.Frauchiger, D. & Renner, R. Nature Commun. 9, 3711 (2018).（https://doi.org/10.1038%2Fs41467-018-05739-8）
觉得这篇文章比较有趣有很多方面的原因，物理学的前进方法，人工智能的发展，等等。
而且感觉也没多"省事儿"2333333，和视频翻译一样费时间(￣∇￣)当然了，主要是个人能力比较低的问题……
