Jak szczególna teoria względności może pomóc AI przewidywać przyszłość

Etienne-Jules Marey

Nikt nie wie, co będzie wydarzy się w przyszłości , ale niektóre domysły są znacznie lepsze niż inne. Kopnięta piłka nie odwróci się w powietrzu i nie powróci do stopy kopacza. Na wpół zjedzony cheeseburger nie stanie się ponownie cały. Złamane ramię nie zagoi się z dnia na dzień.

Opierając się na fundamentalnym opisie przyczyny i skutku zawartym w szczególnej teorii względności Einsteina, badacze z Imperial College London wymyślili sposób na pomoc AI w lepszym zgadywaniu zbyt.

Świat rozwija się krok po kroku, w każdej chwili wyłania się z tych, które go poprzedzają. Możemy dobrze zgadywać, co stanie się dalej, ponieważ mamy silne intuicje dotyczące przyczyny i skutku, doskonalone przez obserwację, jak działa świat od momentu narodzin i przetwarzanie tych obserwacji za pomocą mózgów, które zostały na stałe zapisane przez miliony lat ewolucji.

Jednak komputery mają trudności z rozumowaniem przyczynowym. Modele uczenia maszynowego doskonale sprawdzają się w wykrywaniu korelacji, ale trudno jest wyjaśnić, dlaczego jedno zdarzenie powinno następować po drugim. To problem, ponieważ bez poczucia przyczyny i skutku prognozy mogą być szalenie błędne. Dlaczego piłka nie powinna się odwrócić w locie?

Jest to szczególny problem z Diagnostyka oparta na sztucznej inteligencji . Choroby są często skorelowane z wieloma objawami. Na przykład osoby z cukrzycą typu 2 często mają nadwagę i duszność. Ale duszność nie jest spowodowana cukrzycą, a leczenie pacjenta insuliną nie pomoże w tym objawach.

Społeczność AI zdaje sobie sprawę, jak ważna rozumowanie przyczynowe może być przeznaczony do uczenia maszynowego i starają się znaleźć sposoby na jego przykręcenie.

Naukowcy próbowali różnych sposobów, aby pomóc komputerom przewidzieć, co może się wydarzyć. Istniejące podejścia szkolą model uczenia maszynowego klatka po klatce, aby dostrzec wzorce w sekwencjach działań. Pokaż AI kilka klatek pociągu wyjeżdżającego ze stacji, a następnie poproś, aby wygenerował na przykład kilka następnych klatek w sekwencji.

Sztuczna inteligencja może wykonać dobrą robotę przewidując kilka klatek w przyszłość, ale dokładność spada gwałtownie po pięciu lub dziesięciu klatkach, mówi Athanasios Vlontzos z Imperial College London. Ponieważ sztuczna inteligencja wykorzystuje poprzednie klatki do wygenerowania następnej w sekwencji, małe błędy popełnione na początku — powiedzmy kilka niesprawnych pikseli — składają się na większe błędy w miarę postępu sekwencji.

Vlontzos i jego koledzy chcieli spróbować innego podejścia. Zamiast zmuszać sztuczną inteligencję, aby nauczyła się przewidywać konkretną sekwencję przyszłych klatek, oglądając miliony klipów wideo, umożliwiła jej wygenerowanie całej gamy klatek, które były mniej więcej podobne do poprzednich, a następnie wybranie tych, które najprawdopodobniej nadejdą Następny. Sztuczna inteligencja może zgadywać przyszłość bez konieczności uczenia się niczego o postępie czasu, mówi Vlontzos.

W tym celu zespół opracował algorytm inspirowany stożkami świetlnymi, matematyczny opis granic przyczyny i skutku w czasoprzestrzeni, po raz pierwszy zaproponowany w szczególnej teorii względności Einsteina, a następnie udoskonalony przez jego byłego profesora Hermanna Minkowskiego. Stożki świetlne pojawiają się w fizyce, ponieważ prędkość światła jest stała. Pokazują rozszerzające się granice promienia światła – i wszystkiego innego – emanującego z początkowego zdarzenia, takiego jak eksplozja.

Weź kartkę papieru i zaznacz na niej wydarzenie kropką. Teraz narysuj okrąg z tym wydarzeniem w środku. Odległość między kropką a krawędzią okręgu to odległość, jaką światło przebyło w określonym czasie — powiedzmy, jednej sekundzie. Ponieważ nic, nawet informacja, nie może podróżować szybciej niż światło, krawędź tego okręgu stanowi twardą granicę przyczynowego wpływu pierwotnego zdarzenia. W zasadzie wydarzenie mogło mieć wpływ na wszystko w kręgu; nic na zewnątrz nie mogło.

Po dwóch sekundach światło przebyło dwa razy większą odległość, a rozmiar kręgu podwoił się: jest teraz o wiele więcej możliwych przyszłości dla tego pierwotnego wydarzenia. Wyobraź sobie te coraz większe kręgi wznoszące się sekunda po sekundzie z kartki papieru, a otrzymasz odwrócony stożek z oryginalnym wydarzeniem na jego końcu. To jest lekki stożek. Lustrzane odbicie stożka może również rozciągać się do tyłu, za kartkę papieru; będzie zawierać wszystkie możliwe przeszłość, która mogła doprowadzić do pierwotnego wydarzenia.

Vlontzos i jego koledzy wykorzystali tę koncepcję, aby ograniczyć przyszłe klatki, które może wybrać sztuczna inteligencja. Przetestowali pomysł na dwóch zestawach danych: Przenoszenie MNIST , który składa się z krótkich klipów wideo z odręcznymi cyframi poruszającymi się po ekranie, a Seria ludzkich akcji KTH , który zawiera nagrania przedstawiające ludzi chodzących lub machających rękami. W obu przypadkach nauczyli sztuczną inteligencję generowania ramek, które wyglądały podobnie do tych w zestawie danych. Ale co ważne, klatki w zestawie danych treningowych nie były pokazywane po kolei, a algorytm nie uczył się, jak wykonać serię.

Następnie poprosili sztuczną inteligencję, aby wybrała, które z nowych klatek z większym prawdopodobieństwem następują po kolejnych. W tym celu sztuczna inteligencja pogrupowała wygenerowane klatki według podobieństwa, a następnie użyła algorytmu stożka świetlnego do narysowania granicy wokół tych, które mogą być powiązane przyczynowo z daną ramką. Pomimo tego, że nie została przeszkolona do kontynuowania sekwencji, sztuczna inteligencja mogła nadal dobrze zgadywać, które klatki będą następne. Jeśli dasz sztucznej inteligencji ramkę, w której chodzi krótkowłosa osoba w koszuli, sztuczna inteligencja odrzuci ramki, które pokazują osobę z długimi włosami lub bez koszuli, mówi Vlontzos. Praca jest w końcowej fazie przeglądu na NeurIPS, dużej konferencji poświęconej uczeniu maszynowemu

Zaletą tego podejścia jest to, że powinno działać z różnymi typami uczenia maszynowego, o ile model może generować nowe ramki, które są podobne do tych w zestawie uczącym. Można go również wykorzystać do poprawy dokładności istniejących AI wyszkolonych na sekwencjach wideo.

Aby przetestować podejście, zespół rozwinął stożki w stałym tempie. Ale w praktyce ta stawka będzie się różnić. Piłka na boisku piłkarskim będzie miała więcej możliwych pozycji w przyszłości niż na przykład piłka poruszająca się po szynach. Oznacza to, że do piłki nożnej potrzebny będzie stożek, który rozszerza się szybciej.

Wypracowanie tych prędkości wymaga zagłębienia się w termodynamikę, co nie jest praktyczne. Na razie zespół planuje ręcznie ustawić średnicę stożków. Ale oglądając na przykład wideo z meczu piłki nożnej, sztuczna inteligencja mogła dowiedzieć się, ile i jak szybko poruszają się obiekty, co umożliwiłoby jej ustawienie średnicy samego stożka. Sztuczna inteligencja może również uczyć się w locie, obserwując, jak szybko zmienia się prawdziwy system i dostosowując rozmiar stożka do niego.

Przewidywanie przyszłości jest ważne dla wielu zastosowań. Pojazdy autonomiczne muszą być w stanie przewidzieć, czy dziecko wpadnie na drogę, czy też chwiejący się rowerzysta stanowi zagrożenie. Roboty, które muszą wchodzić w interakcje z obiektami fizycznymi, muszą być w stanie przewidzieć, jak te obiekty będą się zachowywać podczas poruszania się. Ogólnie rzecz biorąc, systemy predykcyjne będą dokładniejsze, jeśli potrafią wnioskować o przyczynie i skutkach, a nie tylko o korelacji.

Ale Vlontzos i jego koledzy są szczególnie zainteresowani medycyną. Sztuczna inteligencja może być wykorzystana do symulacji, jak pacjent może zareagować na określone leczenie — na przykład krok po kroku, jak to leczenie może przebiegać. Tworząc wszystkie te możliwe wyniki, możesz zobaczyć, jak lek wpłynie na chorobę, mówi Vlontzos. Podejście to może być również stosowane w przypadku obrazów medycznych. Biorąc pod uwagę skan MRI mózgu, sztuczna inteligencja może zidentyfikować prawdopodobne sposoby postępu choroby.

Bardzo fajnie jest widzieć, jak zapożycza się w tym celu idee z fizyki fundamentalnej, mówi Ciaran Lee, badacz, który pracuje nad wnioskowaniem o przyczynach w Spotify i University College London. Zrozumienie przyczynowości jest naprawdę ważne, jeśli chcesz podejmować działania lub decyzje w prawdziwym świecie, mówi. Dochodzi do sedna tego, jak rzeczy stają się takimi, jakimi są: jeśli kiedykolwiek chcesz zadać pytanie „Dlaczego?”, musisz zrozumieć przyczynę i skutek.

ukryć