Revolutionerende AI-model forudser fysiske systemer uden foruddefineret viden

En ny studie af forskere fra Archetype AI har afsløret en banebrydende AI-model, der kan generalisere over diverse fysiske signaler og fænomener, og markerer således et væsentligt skridt fremad i feltet kunstig intelligens. Artiklen, med titlen “En fænomenologisk AI-fundamentsmodel for fysiske signaler,“ foreslår en ny tilgang til opbygning af en samlet AI-model, der kan forudse og fortolke fysiske processer fra forskellige domæner, uden forudgående viden om de underliggende fysiske love.

En ny tilgang til AI for fysiske systemer

Studiet sigter mod at udvikle en AI-fundamentsmodel, der kan håndtere fysiske signaler fra en bred vifte af systemer, herunder elektriske strømme, fluidstrømme og optiske sensorsdata. Ved at anvende en fænomenologisk tilgang, undgik forskerne at indbygge specifikke fysiske love i modellen, hvilket tillader den at generalisere til nye fysiske fænomener, den ikke tidligere havde mødt.

Trænet på 0,59 milliarder sensor-målinger fra forskellige domæner, har modellen demonstreret enestående præstation i forudsigelse af fysiske systemers opførsel. Disse systemer spænder fra simple mekaniske oscillatorer til komplekse processer som elektriske grid-dynamik, hvilket viser modellens fleksibilitet.

En fænomenologisk AI-ramme

Studiets tilgang er baseret på en fænomenologisk ramme. I modsætning til traditionelle AI-modeller, der afhænger af foruddefinerede induktive fordomme (såsom bevarelse love), trænede forskerne deres AI udelukkende på observationsdata fra sensorer. Dette tillader modellen at lære de indre mønstre af forskellige fysiske fænomener uden at antage nogen forudgående viden om de styrende fysiske principper.

Ved at fokusere på fysiske størrelser som temperatur, elektrisk strøm og drejningsmoment, kunne modellen generalisere over forskellige sensortyper og systemer, og åbner døren for anvendelser i brancher, der spænder fra energistyring til avanceret videnskabelig forskning.

Den Ω-ramme: En vej til universelle fysiske modeller

I centrum af denne gennembrud ligger den Ω-ramme, en struktureret metode udviklet af forskerne til at skabe AI-modeller, der kan slutte og forudse fysiske processer. I denne ramme repræsenteres alle fysiske processer som sæt af observerbare størrelser. Udfordringen ved at opbygge en universel model ligger i, at ikke alle mulige fysiske størrelser kan måles eller medtages i træning. Trods dette tillader den Ω-ramme, at modellen kan slutte om opførsel i nye systemer baseret på de data, den har mødt.

Denne evne til at generalisere kommer fra, at modellen kan håndtere ufuldstændige eller støjende sensor-data, hvilket er typisk for virkelige anvendelser. AI’en lærer at afkode og genskabe disse signaler, og forudser fremtidige opførsler med imponerende nøjagtighed.

Transformer-baseret arkitektur for fysiske signaler

Modellens arkitektur er baseret på transformer-netværk, der ofte anvendes i naturlig sprogbehandling, men nu anvendes på fysiske signaler. Disse netværk transformerer sensor-data til éndimensionelle patches, der derefter indlejres i et samlet latent rum. Denne indlejring tillader modellen at fange de komplekse tidsmæssige mønstre af fysiske signaler, uanset den specifikke sensortype.

Downstream fænomenologiske decodere tillader derefter, at modellen kan genskabe tidligere opførsel eller forudse fremtidige begivenheder, og gør den tilpasningsdygtig til en bred vifte af fysiske systemer. De letvægts-decodere tillader også for opgave-specifik finjustering uden omtræning af hele modellen.

Validering på forskellige fysiske systemer

Forskerne udførte omfattende eksperimenter for at teste modellens generaliserings-evne. I en række tests blev modellen evaluaret på en spring-masse harmonisk oscillator og et termoelektrisk system. Begge systemer var velkendte for deres kaotiske eller komplekse opførsel, hvilket gjorde dem ideelle kandidater til at teste modellens forudsigelsesnøjagtighed.

AI’en forudsagde med succes opførslen af disse systemer med minimal fejl, selv under kaotiske faser. Dette succes understreger dens potentiale til at forudse fysiske systemer, der viser ikke-lineære dynamikker.

Yderligere eksperimenter blev udført med realdannelse, herunder:

• Elektrisk efforbrug i forskellige lande.
• Temperaturvariationer i Melbourne, Australien.
• Olie-temperaturdata fra elektriske transformatorer.

I hvert tilfælde overgik modellen traditionelle, domænespecifikke modeller, og demonstrerede dens evne til at håndtere komplekse, virkelige systemer.

Nul-skud generalisering og fleksibilitet

En af de mest spændende resultater af denne studie er modellens nul-skud generaliserings-evne. AI’en kunne forudse opførsel i systemer, den aldrig havde mødt under træning, såsom termoelektrisk opførsel og elektrisk transformator-dynamik, med en høj grad af nøjagtighed.

Denne evne spejler de resultater, der er set i naturlige sprogmodeller, som GPT-4, hvor en enkelt model trænet på et stort dataset kan overgå modeller, der er specialiseret i bestemte opgaver. Dette gennembrud kan have langtrækkende implikationer for AI’s evne til at fortolke fysiske processer.

Implikationer for brancher og forskning

De potentielle anvendelser af denne AI-fundamentsmodel er enorme. Ved at muliggøre sensortransparens, kan modellen anvendes i domæner, hvor indsamling af store, specialiserede datasets er vanskeligt. Dens evne til at lære autonomt fra observationsdata kan føre til udviklingen af selvlærende AI-systemer, der tilpasser sig til nye miljøer uden menneskelig indgriben.

Desuden har denne model betydeligt potentiale for videnskabelig opdagelse. I fag som fysik, materialsvidenskab og eksperimentel forskning, hvor data ofte er kompleks og multi-dimensionel, kan modellen accelerere analyseprocessen og tilbyde indsigt, der tidligere var utilgængelig med traditionelle metoder.

Fremtidige retninger

Selvom modellen repræsenterer et væsentligt skridt fremad i AI for fysiske systemer, identificerer studiet også områder for yderligere forskning. Disse omfatter finjustering af modellens håndtering af sensor-specifik støj, udforskning af dens præstation på ikke-periodiske signaler og håndtering af hjørnetilfælde, hvor forudsigelserne var mindre nøjagtige.

Fremtidigt arbejde kan også fokusere på udvikling af mere robuste decodere til bestemte opgaver, såsom anomalidetektion, klassifikation eller håndtering af hjørnetilfælde i komplekse systemer.

Konklusion

Introduktionen af denne Fænomenologisk AI-fundamentsmodel for fysiske signaler markerer et nyt kapitel i AI’s evne til at forstå og forudse den fysiske verden. Med dens evne til at generalisere over en bred vifte af fænomener og sensortyper, kan denne model transformere brancher, videnskabelig forskning og selv daglige teknologier. Den nul-skud-lærings-evne, der er demonstreret i studiet, åbner døren for AI-modeller, der kan lære og tilpasse sig autonomt til nye udfordringer, uden at kræve domænespecifik omtræning.

Dette banebrydende forskning, ledet af Archetype AI, er sandsynligvis at have varige implikationer for, hvordan AI anvendes på fysiske systemer, og vil revolutionere fag, der afhænger af nøjagtige og skalerbare forudsigelser.