假设你有一个尖端设备，可以打开世界上任何一个保险箱，但你对它的工作原理一无所知。你会怎么做?你可以用一种更古老的撬保险箱工具——也许是一根可靠的撬棍。你可以用那个杠杆撬开你的设备，窥视它的内部结构，并尝试逆向工程它。碰巧，这就是科学家们刚刚用数学做的事情。
研究人员用物理学家和工程师几十年来一直使用的一种老生常谈的数学分析方法研究了一种深度神经网络——人工智能的一种，其内部是出了名的神秘。研究人员于1月23日在该杂志上发表了他们的研究结果。他们的结果表明，他们的人工智能正在做许多人类长期以来自己做的计算。
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。虽然更好的本地预测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输送什么。
“我们在这个领域已经研究了一段时间，我们发现神经网络在处理这类系统方面真的很强大，”德克萨斯州莱斯大学的机械工程师、该研究的作者之一Pedram Hassanzadeh说。
今天，气象学家经常使用需要巨型超级计算机的模型来进行这类预测。深度神经网络需要更少的处理能力来完成同样的任务。很容易想象，未来任何人都可以在战场上用笔记本电脑运行这些模型。
人工智能有多种形式;深度神经网络只是其中之一，虽然它非常重要。神经网络有三个部分。假设你建立了一个神经网络，可以从动物的图像中识别出它。第一部分可能将图片转换为数据;中间部分可以分析数据;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”，是因为它的创造者将中间部分扩展成一个更复杂的事务，由多层组成。例如，图像观察深度网络的每一层都可以依次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，在最近的记忆中，它们推动了许多人工智能更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言转录成文字。在后来的几年里，他们给图像上色，追踪金融欺诈，设计药物分子。而且，正如哈桑扎德的团队所证明的那样，他们可以预测天气和气候。
对许多科学家来说，问题在于，由于这些网络的构成方式，没有人能真正看到网络在做什么。他们通过给网络分配任务和输入数据来训练网络。随着新生的网络消化更多的数据，它会自我调整以更好地完成这项任务。最终的结果是一个“黑匣子”，这个工具的内部结构是如此混乱，甚至它的创造者也不能完全理解它们。
人工智能专家花费了无数的时间来寻找更好的方法来研究他们的创造物。这对于一个简单的图像识别网络来说已经很难做到了。更难理解的是，一个深度神经网络正在处理一个由无数运动部件组成的系统，比如地球气候。
不过，回报是值得付出的。如果科学家们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自己的工具，还可以考虑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情况下能更好地工作。
因此，Hassanzadeh和他的同事们有了将傅里叶分析应用于他们的人工智能的想法，这种方法几十年来一直非常适合物理学家和数学家的工具箱。把傅里叶分析看作是一种平移。end语言将数据集表示为较小函数的和。然后，您可以应用某些过滤器来涂抹该总和的部分，使您能够看到模式
结果，他们的尝试成功了。Hassanzadeh和他的同事们发现，他们的神经网络在做的事情，本质上是许多科学家会使用的相同过滤器的组合。
Hassanzadeh说:“这更好地将神经网络的内部工作与物理学家和应用数学家在过去几十年所做的事情联系起来。”
如果他和他的同事们对他们刚刚发表的工作是正确的，那么这意味着他们已经用一根用数学制成的撬棍打开了一种看起来像魔法的东西，科学家们已经做了一个多世纪了。
