Forbedring af AI-drevet computer vision gennem fysikbevidsthed

Kunstig intelligens har uden tvivl sat et uudsletteligt aftryk på vores liv. I en pionerindsats for at yderligere forbedre AI-kapaciteter har forskere fra UCLA og United States Army Research Laboratory afsløret en unik tilgang, der forener fysikbevidsthed med data-drevne teknikker i AI-drevne computer vision-teknologier.

Studiet, der er offentliggjort i Nature Machine Intelligence, foreslår en banebrydende hybridmetode, der sigter mod at forfine, hvordan AI-baseret maskineri sanser, interagerer og reagerer på sin omgivelse i realtid – kritisk for selvstændige køretøjer og præcisions-handlingsrobotter.

Hybridtilgang for fysikbevidt AI

Traditionelt har computer vision, det felt, der giver AI mulighed for at forstå og slutte sig til egenskaber af den fysiske verden fra billeder, hovedsagelig fokuseret på data-baseret maskinlæring. Samtidig har fysik-baseret forskning søgt at afklare de fysiske principper, der ligger til grund for mange computer vision-udfordringer. Men at assimilere forståelsen af fysik ind i området for neurale netværk har vist sig at være en udfordring.

I en betydelig gennembrud har UCLA-studiet til hensigt at kombinere den dybe forståelse fra data og den virkelige verdens viden om fysik, og derved skabe en hybrid AI med forbedrede evner. Achuta Kadambi, studiets korresponderende forfatter og en adjunkt i elektro- og datateknik på UCLA Samueli School of Engineering, forklarer: “Fysikbevidste former for slutning kan give bilene mulighed for at køre mere sikkert eller kirurgiske robotter mere præcist.”

Integrering af fysik i computer vision AI

Forskningsholdet fremhæver tre innovative måder at integrere fysik i computer vision AI:

1. Indføring af fysik i AI-data sæt: Dette indebærer at tilføje objekter med ekstra information, såsom deres potentielle hastighed eller vægt, ligesom karakterer i videospil.
2. Integrering af fysik i netværksarkitekturer: Denne strategi indebærer at køre data gennem et netværksfilter, der koder fysiske egenskaber ind i, hvad kameraer optager.
3. Indføring af fysik i netværks-tab: Her anvendes viden baseret på fysik til at hjælpe AI med at fortolke træningsdata om dets observationer.

Disse eksperimentelle forskningslinjer har allerede produceret lovende resultater i forbedring af computer vision. For eksempel giver hybridtilgangen AI mulighed for at spore og forudse et objekts bevægelse mere præcist og kan producere nøjagtige, højopløste billeder fra scener, der er skjult af dårligt vejr.

Fremtiden for fysikbevidt AI

Forskerne er optimistiske om, at fortsatte fremskridt i denne dobbelte tilgang kan føre til, at dyb-læringsbaserede AI’er uafhængigt kan lære fysikkens love. Dette kan markere en ny front i AI-drevne computer vision-teknologier, og åbne vejen for en sikrere og mere præcis AI-anvendelse i forskellige sektorer, herunder selvstændige køretøjer og kirurgisk robotteknologi.

Studiet, der er støttet delvist af et stipendium fra Army Research Laboratory, er skrevet i samarbejde med hærens computerforsker Celso de Melo, og UCLA-facultetsmedlemmer Stefano Soatto, Cho-Jui Hsieh og Mani Srivastava. Yderligere finansiering kom fra stipendier fra National Science Foundation, Army Young Investigator Program, Defense Advanced Research Projects Agency, Intrinsic, et Alphabet (GOOG ) -selskab, og Amazon.