Kā īpašā relativitāte var palīdzēt AI paredzēt nākotni

Etjēns Džūlss Mārijs

Neviens nezina, kas būs notiks nākotnē , taču daži minējumi ir daudz labāki nekā citi. Spārdīts futbols neapgriezīsies gaisā un neatgriezīsies sitiena kājā. Pusapēsts čīzburgers atkal nekļūs vesels. Salauzta roka neārstēs vienas nakts laikā.

Balstoties uz fundamentālu cēloņu un seku aprakstu, kas atrodams Einšteina īpašās relativitātes teorijā, pētnieki no Londonas Imperiālās koledžas ir nākuši klajā ar veids, kā palīdzēt AI izdarīt labākus minējumus arī.

Pasaule progresē soli pa solim, katru mirkli izceļoties no tiem, kas ir pirms tās. Mēs varam izdarīt labus minējumus par to, kas notiks tālāk, jo mums ir spēcīga intuīcija par cēloņiem un sekām, ko uzlabo, novērojot, kā pasaule darbojas no mūsu dzimšanas brīža, un apstrādājot šos novērojumus ar smadzenēm, kuras ir nostiprinātas miljoniem gadu ilgas evolūcijas.

Tomēr datoriem ir grūti noteikt cēloņsakarības. Mašīnmācības modeļi izceļas ar korelāciju noteikšanu, taču tiem ir grūti izskaidrot, kāpēc vienam notikumam vajadzētu sekot citam. Tā ir problēma, jo bez cēloņa un seku apziņas prognozes var būt ļoti neveiksmīgas. Kāpēc lai futbols lidojumā neapgrieztos?

Tas rada īpašas bažas Ar AI darbināma diagnostika . Slimības bieži vien ir saistītas ar vairākiem simptomiem. Piemēram, cilvēkiem ar 2. tipa cukura diabētu bieži ir liekais svars un viņiem ir elpas trūkums. Bet elpas trūkumu neizraisa diabēts, un pacienta ārstēšana ar insulīnu nepalīdzēs ar šo simptomu.

AI kopiena saprot, cik svarīgi cēloņsakarība varētu būt mašīnmācībai, un meklē veidus, kā to pieskrūvēt.

Pētnieki ir izmēģinājuši dažādus veidus, kā palīdzēt datoriem paredzēt, kas varētu notikt tālāk. Esošās pieejas apmāca mašīnmācības modeli kadru pa kadram, lai noteiktu modeļus darbību secībās. Parādiet mākslīgajam intelektam dažus kadrus no vilciena, kas izbrauc no stacijas, un pēc tam palūdziet tam ģenerēt, piemēram, dažus nākamos kadrus.

AI var veikt labu darbu, paredzot dažus kadrus nākotnē, taču precizitāte strauji samazinās pēc pieciem vai 10 kadriem, saka Athanasios Vlontzos no Londonas Imperiālās koledžas. Tā kā mākslīgais intelekts izmanto iepriekšējos kadrus, lai ģenerētu nākamo secības kadru, nelielas kļūdas, kas tika pieļautas agrīnā stadijā (piemēram, daži pikseļi), kļūst par lielākām kļūdām secības gaitā.

Vlontzos un viņa kolēģi vēlējās izmēģināt citu pieeju. Tā vietā, lai mākslīgais intelekts iemācītos paredzēt konkrētu nākotnes kadru secību, skatoties miljoniem videoklipu, viņi ļāva tam ģenerēt veselu virkni kadru, kas bija aptuveni līdzīgi iepriekšējiem, un pēc tam izvēlēties tos, kuri, visticamāk, parādīsies. Nākamais. AI var izteikt minējumus par nākotni, neko nemācoties par laika gaitu, saka Vlontzos.

Lai to paveiktu, komanda izstrādāja algoritmu, ko iedvesmojuši gaismas konusi, matemātisko cēloņu un seku robežu aprakstu telpas laikā, ko vispirms ierosināja Einšteina speciālās relativitātes teorijā un vēlāk pilnveidoja viņa bijušais profesors Hermanis Minkovskis. Gaismas konusi fizikā parādās, jo gaismas ātrums ir nemainīgs. Tie parāda gaismas stara un visa pārējā paplašināšanās robežas, jo tas izplūst no sākotnējā notikuma, piemēram, sprādziena.

Paņemiet papīra lapu un atzīmējiet uz tās notikumu ar punktu. Tagad uzzīmējiet apli ar šo notikumu centrā. Attālums starp punktu un apļa malu ir attālums, ko gaisma ir nogājusi noteiktā laika periodā, piemēram, vienu sekundi. Tā kā nekas, pat ne informācija, nevar ceļot ātrāk par gaismu, šī apļa mala ir stingra robeža sākotnējā notikuma cēloņsakarībai. Principā notikums varēja ietekmēt jebko, kas atrodas lokā; kaut kas ārpus tā nevarēja.

Pēc divām sekundēm gaisma ir nobraukusi divreiz lielāku attālumu, un apļa izmērs ir dubultojies: šim sākotnējam notikumam tagad ir daudz vairāk iespējamo nākotnes iespēju. Iedomājieties, kā šie arvien lielāki apļi sekunde pa sekundei izkāpj no papīra lapas, un jums ir apgriezts konuss ar oriģinālo notikumu tā galā. Šis ir viegls konuss. Konusa spoguļattēls var izstiepties arī atpakaļ, aiz papīra lapas; tajā būs visas iespējamās pagātnes, kas varēja novest pie sākotnējā notikuma.

Vlontzos un viņa kolēģi izmantoja šo koncepciju, lai ierobežotu nākotnes kadrus, ko AI varētu izvēlēties. Viņi pārbaudīja ideju divās datu kopās: Pārvietojas MNIST , kas sastāv no īsiem videoklipiem ar roku rakstītiem cipariem, kas pārvietojas ekrānā, un KTH cilvēku darbību sērija , kurā ir klipi ar cilvēkiem, kas staigā vai vicina rokas. Abos gadījumos viņi apmācīja AI ģenerēt kadrus, kas izskatījās līdzīgi datu kopā esošajiem. Bet, kas ir svarīgi, kadri apmācības datu kopā netika parādīti secīgi, un algoritms nemācās pabeigt sēriju.

Pēc tam viņi lūdza AI izvēlēties, kurš no jaunajiem kadriem, visticamāk, sekos citam. Lai to izdarītu, mākslīgais intelekts sagrupēja ģenerētos kadrus pēc līdzības un pēc tam izmantoja gaismas konusa algoritmu, lai novilktu robežu ap tiem, kas varētu būt cēloņsakarībā ar konkrēto kadru. Neraugoties uz to, ka mākslīgais intelekts nav apmācīts turpināt secību, AI joprojām varēja labi nojaust, kuri kadri būs nākamie. Ja mākslīgajam intelektam piešķirat rāmi, kurā staigā īsspalvains kreklā, AI noraidīs kadrus, kuros redzams cilvēks ar gariem matiem vai bez krekla, saka Vlontzos. Darbs ir pēdējā pārskata posmā NeurIPS, lielajā mašīnmācības konferencē

Šīs pieejas priekšrocība ir tā, ka tai jādarbojas ar dažāda veida mašīnmācībām, ja vien modelis var ģenerēt jaunus kadrus, kas ir līdzīgi apmācības komplektā esošajiem. To varētu arī izmantot, lai uzlabotu esošo AI, kas apmācītas video secībās, precizitāti.

Lai pārbaudītu pieeju, komanda lika konusi paplašināties ar fiksētu ātrumu. Bet praksē šis rādītājs būs atšķirīgs. Bumbiņai futbola laukumā būs vairāk iespējamo nākotnes pozīciju nekā, piemēram, bumbai, kas pārvietojas pa sliedēm. Tas nozīmē, ka futbolam jums būs nepieciešams konuss, kas izplešas ātrāk.

Šo ātrumu noteikšana ietver dziļu iedziļināšanos termodinamikā, kas nav praktiski. Pagaidām komanda plāno ar roku iestatīt konusu diametru. Bet, piemēram, skatoties futbola spēles video, mākslīgais intelekts varētu uzzināt, cik daudz un cik ātri objekti pārvietojas, kas ļautu iestatīt paša konusa diametru. AI varētu mācīties arī lidojuma laikā, novērojot, cik ātri mainās reāla sistēma, un pielāgojot konusa izmēru, lai tas atbilstu tai.

Nākotnes prognozēšana ir svarīga daudzām lietojumprogrammām. Autonomiem transportlīdzekļiem ir jāspēj paredzēt, vai bērns gatavojas uzbraukt uz ceļa vai arī ļodzīgs velosipēdists rada apdraudējumu. Robotiem, kuriem ir jāsadarbojas ar fiziskiem objektiem, ir jāspēj paredzēt, kā šie objekti izturēsies, kad tie tiks pārvietoti. Prognozējošās sistēmas kopumā būs precīzākas, ja tās var pamatot cēloni un sekas, nevis tikai korelāciju.

Bet Vlontzos un viņa kolēģi ir īpaši ieinteresēti medicīnā. AI varētu izmantot, lai modelētu, kā pacients varētu reaģēt uz noteiktu ārstēšanu, piemēram, soli pa solim izpētot, kā šī ārstēšana varētu noritēt. Radot visus šos iespējamos rezultātus, jūs varat redzēt, kā zāles ietekmēs slimību, saka Vlontzos. Šo pieeju varētu izmantot arī ar medicīniskiem attēliem. Ņemot vērā smadzeņu MRI skenēšanu, AI varētu noteikt iespējamos slimības progresēšanas veidus.

Ir ļoti forši redzēt idejas no fundamentālās fizikas, lai to paveiktu, saka Ciaran Lee, pētnieks, kurš Spotify un Londonas Universitātes koledžā strādā pie cēloņsakarības secinājumiem. Viņš saka, ka cēloņsakarības izpratne ir ļoti svarīga, ja vēlaties veikt darbības vai pieņemt lēmumus reālajā pasaulē. Tas attiecas uz to, kā lietas kļūst tādas, kā tās ir: ja jūs kādreiz vēlaties uzdot jautājumu “Kāpēc?”, tad jums ir jāsaprot cēlonis un sekas.

paslēpties