导读：Tabula Geometrica——让神经网络从零“发明”时空几何

Tabula Geometrica（几何白板）是一个大胆的研究项目：不给神经网络任何时空先验知识（如度量张量、爱因斯坦方程），仅通过原始观测数据训练，探索其能否自行发现闵可夫斯基间隔、光锥、引力井、时空曲率，甚至卡鲁扎-克莱因理论中的额外维度。该项目不仅是技术实验，更是对科学发现本质的探索，挑战AI能否以数据驱动方式重新发现人类数世纪建立的物理规律。

原作者/维护者：sumit7194 来源平台：GitHub 原始链接：https://github.com/sumit7194/tabula-geometrica 发布时间：2026年6月12日

核心问题：几何能否从数据中“重新发现”？

Tabula Geometrica提出哲学深度问题：若不给神经网络任何时空先验知识（不提及度量张量、爱因斯坦方程、“距离”或“时间”概念），它能否仅通过原始观测数据自行“发明”时空几何结构？

这不仅是机器学习实验，更是对科学发现本质的探索——人类物理学家花数世纪建立广义相对论框架，神经网络能否在数小时训练中以数据驱动方式重新发现这些规律？

技术方法：SciNet架构与信息瓶颈

项目采用SciNet风格架构：带信息瓶颈的自编码器（编码器压缩高维观测到低维潜在空间，解码器重建原始数据），迫使网络学习最紧凑通用的表示（常对应物理规律）。

关键技巧包括：

• 相邻观测：仅接收时空邻近事件局部数据，需自行推断全局结构
• 无监督训练：无“正确答案”标签，仅以重构误差为反馈
• 几何vs力的竞争：设计实验让两种解释竞争，观察网络偏好

实验结果：从闵可夫斯基间隔到卡鲁扎-克莱因维度

项目通过“维度阶梯”方法逐步构建：

1. 1+1维时空：网络涌现类似闵可夫斯基间隔（ds²=-dt²+dx²），负号区分类时/类光/类空分离，为狭义相对论核心特征
2. 光锥结构：内部表示展现光锥（划分过去、未来、不可达区域），因果结构自然浮现
3. 引力井与曲率：引入质量分布后，网络发展出引力井结构，通过高斯曲率确认内在曲率（相关系数0.99）
4. 卡鲁扎-克莱因奇迹：处理带电粒子运动数据时，网络自发将电荷编码为额外内部维度（相关系数0.9998），对应电磁学与引力的五维几何统一

科学意义：数据驱动发现的边界探索

项目触及深层问题：

1. 物理定律的“必然性”：若神经网络能从数据重新发现相对论/电磁学核心结构，是否意味着这些定律是描述数据的最优压缩方式？呼应惠勒“万物源于比特”
2. 等效原理的机器学习版本：网络无法区分真实几何曲率与表观坐标效应，除非通过全局拓扑探针
3. 涌现与还原：“白板”方法让高层概念自然涌现，为AI辅助科学发现开辟新路径

局限与未来方向

当前局限：

• 简化模型：主要在2+1维（两空间+时间），距真实3+1维世界有距离
• 玩具数据：观测数据为合成，非真实物理实验
• 解释挑战：网络内部几何结构需人类物理学家介入理解

未来方向：Phase G和H尝试训练通用网络处理所有类型“世界”（平坦/弯曲、有引力/无引力），观察其概念空间组织

结语：AI作为理论发现者的可能性

Tabula Geometrica是结合物理、机器学习与认识论的美丽思想实验，展示神经网络不仅能拟合数据，还能发现深层结构（对应人类数世纪建立的物理理论）。

这引出迷人可能：未来AI或作为独立理论发现者，从原始观测提炼人类未想到的概念框架。项目严谨态度（每主张均核对文献）使其成为AI for Science领域值得关注的项目之一。

关键词：神经网络、时空几何、广义相对论、机器学习、涌现、卡鲁扎-克莱因理论、科学发现、信息瓶颈、无监督学习