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 et betydeligt skridt fremad i feltet for 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 sensorsmålinger fra forskellige domæner, har modellen demonstreret enestående præstation i forudsigelse af fysiske systemers adfærd. Disse systemer spænder fra simple mekaniske oscillatorer til komplekse processer som elektriske grid-dynamik, og 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 universal 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 adfærd i nye systemer baseret på de data, den har mødt.

Denne evne til at generalisere kommer fra, hvordan modellen håndterer ufuldstændige eller støjende sensorsdata, som er typisk for virkelige anvendelser. AI-modellen lærer at afkode og genskabe disse signaler, og forudser fremtidig adfærd med imponerende nøjagtighed.

Transformer-baseret arkitektur for fysiske signaler

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

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

Validering på tværs af diverse fysiske systemer

Forskerne gennemførte omfattende eksperimenter for at teste modellens generaliseringsmuligheder. I en række tests blev modellen evaluaret på en harmonisk oscillator og et termoelektrisk system. Begge systemer var kendt for deres kaotiske eller komplekse adfærd, og gjorde dem ideelle kandidater til at teste modellens forudsigelsesnøjagtighed.

AI-modellen forudsagde med succes adfærden af disse systemer med minimal fejl, selv under kaotiske faser. Denne succes højligter dens potentiale for at forudse fysiske systemer, der viser ikke-lineære dynamikker.

Yderligere eksperimenter blev gennemført med virkelige data, 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-generaliseringsmulighed. AI-modellen kunne forudse adfærd i systemer, den aldrig havde mødt under træning, såsom termoelektrisk adfærd og elektrisk transformator-dynamik, med en høj grad af nøjagtighed.

Denne mulighed minder om resultaterne set i naturlige sprogmodeller, som GPT-4, hvor en enkelt model trænet på et stort dataset kan overgå modeller 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 aktivere 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 stor potentiale for videnskabelig opdagelse. I felter som fysik, materialev videnskab og eksperimentel forskning, hvor data ofte er kompleks og multidimensionelt, kan modellen accelerere analysen, og tilbyde indsigt, der tidligere var utilgængelig med traditionelle metoder.

Fremtidige retninger

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

Fremtidig arbejde kan også fokusere på udvikling af mere robuste decodere til bestemte opgaver, såsom anomalidetektion, klassifikation eller håndtering af komplekse systemers kanter.

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 dagligdags teknologier. Den nul-skud-læringsmulighed, der er demonstreret i studiet, åbner døren til AI-modeller, der kan lære autonomt og tilpasse sig til nye udfordringer, uden at kræve domænespecifik omtræning.

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