نموذج الذكاء الاصطناعي الثوري يتنبأ بأنظمة فيزيائية بدون معرفة مسبقة

أظهرت دراسة حديثة أجريت بواسطة باحثين من Archetype AI نموذج ذكاء اصطناعي رائد يمكنه تعميم الأنماط عبر إشارات فيزيائية ومظاهر متنوعة، مما ي tượng إلى خطوة كبيرة إلى الأمام في مجال الذكاء الاصطناعي. وتقترح الورقة، التي تحمل عنوان “نموذج أساس ذكاء اصطناعي ظاهري للاشارات الفيزيائية،“ نهجًا جديدًا في بناء نموذج ذكاء اصطناعي موحد يمكنه التنبؤ وتفسير العمليات الفيزيائية من مجالات مختلفة، دون معرفة مسبقة بالقوانين الفيزيائية الأساسية.

نهج جديد لذكاء اصطناعي لأنظمة فيزيائية

تهدف الدراسة إلى تطوير نموذج أساس ذكاء اصطناعي يمكنه التعامل مع إشارات فيزيائية من أنظمة واسعة النطاق، بما في ذلك التيارات الكهربائية وحركة السوائل وبيانات المستشعرات البصرية. من خلال اتباع نهج ظاهري، تجنبت الباحثون دمج قوانين فيزيائية محددة في النموذج، مما يسمح له بالتعميم إلى ظواهر فيزيائية جديدة لم يواجهها من قبل.

تم تدريب النموذج على 0.59 مليار قياس مستشعر من مجالات مختلفة، وقد أظهر أداء استثنائيًا في التنبؤ بسلوك الأنظمة الفيزيائية. وتشمل هذه الأنظمة من المذبذبات الميكانيكية البسيطة إلى العمليات المعقدة مثل ديناميات الشبكة الكهربائية، مما يبرز مرونة النموذج.

إطار عمل ذكاء اصطناعي ظاهري

يستند نهج الدراسة إلى إطار عمل ظاهري. على عكس نماذج الذكاء الاصطناعي التقليدية التي تعتمد على انحيازات استقرائية محددة (مثل قوانين الحفاظ)، قام الباحثون بتدريب نموذج الذكاء الاصطناعي الخاص بهم فقط على بيانات المراقبة من المستشعرات. هذا يسمح للنموذج بتعلم الأنماط الداخلية للظواهر الفيزيائية المختلفة دون افتراض أي معرفة مسبقة بالمبادئ الفيزيائية الحاكمة.

من خلال التركيز على الكميات الفيزيائية مثل درجة الحرارة والتيار الكهربائي والторك، كان النموذج قادرًا على التعميم عبر أنواع مستشعرات مختلفة وأنظمة، مما يفتح الباب لتطبيقات في مجالات تتراوح من إدارة الطاقة إلى البحث العلمي المتقدم.

إطار العمل Ω: مسار إلى نماذج فيزيائية عالمية

في قلب هذا الكسر هو إطار العمل Ω، وهي منهجية منظمة طورتها الباحثون لإنشاء نماذج ذكاء اصطناعي يمكنها الاستدلال والتنبؤ بالعمليات الفيزيائية. في هذا الإطار، تمثل جميع العمليات الفيزيائية مجموعات من الكميات القابلة للملاحظة. وتكمن التحدي في بناء نموذج عالمي في حقيقة أن ليس جميع الكميات الفيزيائية الممكنة يمكن قياسها أو تضمينها في التدريب. على الرغم من ذلك، يسمح إطار العمل Ω للنموذج بالاستدلال سلوكيات في أنظمة جديدة بناءً على البيانات التي واجهها.

هيكل معماري قائم على الترانسفورمر للاشارات الفيزيائية

يستند هيكل النموذج على شبكات الترانسفورمر، التي يتم استخدامها بشكل شائع في معالجة اللغة الطبيعية ولكنها الآن تُطبق على الإشارات الفيزيائية. تتحول هذه الشبكات بيانات المستشعرات إلى قطع أحادية البعد، والتي يتم تضمينها بعد ذلك في فضاء كامن موحد. يسمح هذا التضمين للنموذج بتقديم الأنماط الزمنية المعقدة للإشارات الفيزيائية، بغض النظر عن نوع المستشعر المحدد.

التحقق عبر أنظمة فيزيائية متنوعة

أجرى الباحثون تجارب شاملة لاختبار قدرات النموذج على التعميم. في مجموعة من الاختبارات، تم تقييم النموذج على مذبذب ربيعي هارموني ونظام терمoelectric. كانت هذه الأنظمة معروفة بسلوكها الكaosي أو المعقد، مما يجعلها مرشحة مثالية لاختبار دقة التنبؤ للنموذج.

تنبأ الذكاء الاصطناعي بنجاح سلوك هذه الأنظمة بأخطاء mínima، حتى خلال المراحل الكaosية. يبرز هذا النجاح إمكاناته في التنبؤ بأنظمة فيزيائية تظهر ديناميات غير خطية.

أجريت تجارب أخرى باستخدام بيانات العالم الحقيقي، بما في ذلك:

• استهلاك الطاقة الكهربائية في بلدان مختلفة.
• تغيرات درجات الحرارة في ملبورن، أستراليا.
• بيانات درجة حرارة الزيت من المحولات الكهربائية.

في كل حالة، تفوق النموذج على نماذج تقليدية محددة المجال، مما يظهر قدرته على التعامل مع أنظمة حقيقية معقدة.

التعميم بدون إطلاق وتنوع

أحد أكثر النتائج إثارة في هذه الدراسة هي قدرة النموذج على التعميم بدون إطلاق. يمكن للنموذج التنبؤ بسلوكيات في أنظمة لم يواجهها خلال التدريب، مثل السلوك الهرمائي والديناميكا الكهربائية للمحولات، بدقة عالية.

الآثار على الصناعات والبحث

تكون التطبيقات المحتملة لنموذج الأساس الذكاء الاصطناعي واسعة النطاق. من خلال تمكين أنظمة غير محددة بالمستشعر، يمكن استخدام النموذج في مجالات حيث يصعب جمع مجموعات بيانات كبيرة ومخصصة. يمكن أن يؤدي قدرته على التعلم بشكل مستقل من بيانات المراقبة إلى تطوير نظم ذكاء اصطناعي ذاتية التعلم التي تتعلم بسرعة في بيئات جديدة دون تدخل بشري.

اتجاهات مستقبلية

في حين يمثل النموذج تقدمًا كبيرًا في الذكاء الاصطناعي لأنظمة فيزيائية، تحدد الدراسة أيضًا مجالات للبحث المستقبلي. وتشمل هذه تحسين تعامل النموذج مع الضوضاء الخاصة بالمستشعر، واختبار أدائه على إشارات غير دورية، ومعالجة الحالات الحدودية حيث كانت التنبؤات أقل دقة.

الخلاصة

ي象ز إطلاق هذا النموذج الأساسي لذكاء اصطناعي ظاهري للاشارات الفيزيائية إلى فصل جديد في قدرة الذكاء الاصطناعي على فهم وتنبؤ العالم الفيزيائي. مع قدرته على التعميم عبر مجموعة واسعة من الظواهر وأنواع المستشعرات، يمكن أن يغير هذا النموذج الصناعات والبحث العلمي والتكنولوجيا اليومية. تفتح قدرة التعميم بدون إطلاق التي أظهرها النموذج الباب إلى نماذج ذكاء اصطناعي يمكنها التعلم والتعديل بشكل مستقل على تحديات جديدة، دون الحاجة إلى إعادة التدريب المحدد المجال.

من المرجح أن يكون هذا البحث الرائد، بقيادة Archetype AI، له آثار دائمة على كيفية تطبيق الذكاء الاصطناعي على الأنظمة الفيزيائية، مما يثور في مجالات تعتمد على التنبؤات الدقيقة والمقياس القابل للتطوير.