Istraživači su napravili ‘AI fizičara’ koji može izvesti fizičke zakone u imaginarnim Univerzumima

Naučiti AI kako kombinovati manje modele za razumjevanje složenih situacija je bio glavni kamen spoticanja za istraživanje mašinskog učenja.

Dva istraživača iz MIT-a su stvorili “AI fizičara” koji je sposoban da generiše teorije o fizičkim zakonima imaginarnih univerzuma. To predstavlja veliki korak ka kreiranju algoritama mašinskog učenja koji ne mogu samo pronaći šeme, već i ekstrapolirati iz tih obrazaca da bi napravili predviđanja o budućnosti. To bi postavilo osnovu za naučna otkrića u potpunosti napravljena od vještačkih inteligencija.

Kada AI dobije skup podataka, on analizira ovaj skup podataka kako bi kreirao model. Priroda ovog modela zavisiće od zadatka. Na primjer, ako sam želio da obučem AI da prepoznam mačku, mogao bih da mu pokažem hiljade slika mačaka tako da se algoritam može generalizovati od sličnih karakteristika pronađenih na svakoj fotografiji da bi se napravio model mačke.



Način vještačke inteligencije koji stvara modele sličan je načinu na koji naučnici koriste teorije da generalizuju iz određene instance fenomena sve slučajeve takve pojave u sličnim kontekstima. Ipak, postoji jedna ključna razlika.

U gore navedenom primjeru, AI se hranila slikama koje su već bile fokusirane na mačku. Mnogo teži zadatak, i onaj koji je analogan procesu nauke, bio bi da se hrane AI slikama mačaka u sličnim sredinama, recimo, na primjer, u šumi. Uz ovaj skup podataka, AI zadužen za kreiranje modela mačke bi morao ignorisati irelevantne detalje (kao što su sve biljke) i samo se fokusirati na mačku. Alternativno, može doći do modela koji prikazuje sve mačke kako žive u šumama. Ako ste onda AI hranili slikom mačke koja spava na krevetu, to ne bi prepoznala jer je njen model bio neispravan.

Iako AI nije bio sasvim pogrešan – postoji broj vrsta mačaka koje žive isključivo u šumama – napravio je grešku stvaranja jednog velikog modela i pokušaja da se taj model prilagodi svim podacima. Plodniji pristup, a onaj koji koriste naučnici, je da kreira male modele ili teorije koje se odnose na podskupove podataka o opservaciji, a zatim sabiru te male teorije dok se ne nadamo da će doći do “teorije svega”.



Podučavanje AI-a kako se podijele podaci za kreiranje malih modela koji se mogu dodati zajedno za kreiranje većih modela pokazao se kao izazov za istraživače u mašinskom učenju. Međutim, kako je navedeno u članku objavljenom na arXiv prošle, međutim, Tailin Wu i Max Tegmark, dva fizičara iz MIT-a, napravili su veliki korak u tom pravcu sa svojim “AI fizičarima”.

Da bi se ovo desilo, Tegmark i Wu su svojim algoritmom za učenje mašinskog učenja dodijelili su četiri strategije koje su takođe angažovane od strane naučnika čovjeka, tako da mogu generisati teorije o složenim posmatranjima. Ove strategije su bile podijeljene i osvajane (generišu više teorija, od kojih svaka odgovara samo jednom dijelu podataka), Occamov brijač (koriste najjednostavniju teoriju), ujedinjenje (kombinuje teorije) i “doživotno učenje” (pokušajte primjeniti teorije na buduće probleme).

Nakon što su ove strategije kodirane u algoritam za mašinsko učenje, Tegmark i Wu su ga predstavili nizom sve kompleksnijih virtuelnih okruženja kojima upravljaju čudni fizički zakoni i zadužili AI da osmisle to. Konkretno, cilj AI-a je bio što preciznije predvidjeti kretanje objekta u dvije dimenzije. To bi zahtjevalo da AI generiše jedinstvene fizičke teorije za svako “misteriozno okruženje” da bi shvatio kako će se objekat kretati u tom okruženju.

Primjer okruženja koje se hranilo fizičaru AI. Ovde je polje gledišta podijeljeno na četiri kvadranta, od kojih je svaki regulisan drugačijim fizičkim efektom, kao što su gravitacija ili elektromagnetno polje. Tačke i linije predstavljaju putanju lopte kroz okolinu. Na osnovu načina na koji lopta prolazi kroz okolinu, AI mora koristiti strategije za opis fizičkih zakona koji regulišu kretanje lopte. Slika: Tegmark i Wu / arXiv

Kao što su otkrili Tegmark i Wu, fizičar AI-a ima sve teže razumjevanje zakona fizike pošto okruženje postaje komplikovanije. Sve u svemu, fizičar AI je bio izložen 40 različitih misterioznih okruženja i bio je u stanju da generiše tačne teorije o fizičkim zakonima koji su ih upravljali u preko 90 procenata slučajeva. Štaviše, Tegmark i Wu-ov AI fizičar uspeli su smanjiti pogreške predviđanja “milijardu puta” u odnosu na konvencionalne algoritme za mašinsko učenje.

Izvor: https://motherboard.vice.com/en_us/article/evwj9p/researchers-created-an-ai-physicist-that-can-derive-the-laws-of-physics-in-imaginary-universes?utm_campaign=sharebutton



 161 total views,  2 views today

Arnes K.

Ja sam nastavnik i profesor fizike koji nastoji da ispuni rupe u svom i svačijem znanju kako bi svi bili bolje informisani i mogli da donosimo bolje odluke i živimo bolji život.

Šta vi mislite o ovom? Ostavite vaš komentar i podijelite mišljenje sa svima.

Sva Fizika
%d bloggers like this: