Neue Technik ermöglicht es KI, Physik intuitiv zu verstehen

Künstliche Intelligenz kann seit einiger Zeit durch Verstärkungslernen ein Verständnis von Physik entwickeln, aber eine neue Technik, die von Forschern am MIT entwickelt wurde, könnte Ingenieuren helfen, Modelle zu entwerfen, die ein intuitives Verständnis von Physik demonstrieren.

Psychologische Forschung hat gezeigt, dass Menschen bis zu einem bestimmten Grad ein intuitives Verständnis der Gesetze der Physik haben. Säuglinge haben Erwartungen darüber, wie Objekte interagieren und sich bewegen sollten, und Verletzungen dieser Erwartungen führen dazu, dass die Säuglinge mit Überraschung reagieren. Die Forschung, die das MIT-Team durchgeführt hat, hat das Potenzial, nicht nur neue Anwendungen der künstlichen Intelligenz voranzutreiben, sondern auch Psychologen zu helfen, zu verstehen, wie Säuglinge die Welt um sie herum wahrnehmen und aus diesen Beobachtungen lernen.

Das Modell, das das MIT-Team entworfen hat, heißt ADEPT und funktioniert, indem es Vorhersagen darüber trifft, wie Objekte in einem physikalischen Raum sich verhalten sollten. Das Modell beobachtet Objekte und verfolgt eine “Überraschung”-Metrik, während es dies tut. Wenn etwas Unerwartetes passiert, reagiert das Modell, indem es seinen Überraschungswert erhöht. Unerwartete und scheinbar unmögliche Aktionen wie das Teleportieren oder Verschwinden eines Objekts führen zu einem dramatischen Anstieg der Überraschung.

Das Ziel des Forschungsteams bestand darin, sein Modell so zu gestalten, dass es die gleichen Überraschungsniveaus wie Menschen registriert, wenn es Objekte sieht, die sich auf unmögliche Weise verhalten.

ADEPT hat zwei Hauptkomponenten: einen Physik-Engine und ein inverses Grafikmodul. Der Physik-Engine ist dafür verantwortlich, vorherzusagen, wie ein Objekt sich bewegen wird, und eine zukünftige Darstellung eines Objekts aus einer Reihe von möglichen Zuständen vorherzusagen. Das inverse Grafikmodul ist dafür verantwortlich, die Darstellungen von Objekten zu erstellen, die in den Physik-Engine eingespeist werden.

Das inverse Grafikmodul verfolgt mehrere Attribute wie Geschwindigkeit, Form und Orientierung eines Objekts und extrahiert diese Informationen aus Frames von Videos. Das inverse Grafikmodul konzentriert sich nur auf die wichtigsten Details und ignoriert Details, die dem Physik-Engine nicht helfen, das Objekt zu interpretieren und neue Zustände vorherzusagen. Durch die Konzentration auf die wichtigsten Details kann das Modell besser generalisieren und auf neue Objekte anwendbar sein. Der Physik-Engine nimmt dann diese Objektbeschreibungen und simuliert komplexeres physikalisches Verhalten wie Flüssigkeit oder Starrheit, um Vorhersagen darüber zu treffen, wie das Objekt sich verhalten sollte.

Nachdem dieser Einleseprozess abgeschlossen ist, beobachtet das Modell den tatsächlichen nächsten Frame im Video, den es verwendet, um seine Wahrscheinlichkeitsverteilung in Bezug auf mögliche Objektverhaltensweisen neu zu berechnen. Die Überraschung ist umgekehrt proportional zur Wahrscheinlichkeit, dass ein Ereignis eintreten sollte, und registriert nur große Überraschung, wenn es einen großen Missverhältnis zwischen dem gibt, was das Modell glaubt, was als Nächstes passieren sollte, und was tatsächlich als Nächstes passiert.

Das Forschungsteam benötigte eine Möglichkeit, die Überraschung ihres Modells mit der Überraschung von Menschen zu vergleichen, die das gleiche Objektverhalten beobachten. In der Entwicklungspsychologie testen Forscher oft Säuglinge, indem sie ihnen zwei verschiedene Videos zeigen. In einem Video wird ein Objekt präsentiert, das sich wie erwartet verhält, ohne spontanes Verschwinden oder Teleportieren. Im anderen Video verletzt ein Objekt die Gesetze der Physik auf eine bestimmte Weise. Das Forschungsteam nahm diese grundlegenden Konzepte und ließ 60 Erwachsene 64 verschiedene Videos von erwartetem und unerwartetem physikalischem Verhalten ansehen. Die Teilnehmer wurden dann gebeten, ihre Überraschung bei verschiedenen Momenten im Video auf einer Skala von 1 bis 100 zu bewerten.

Die Analyse der Leistung des Modells zeigte, dass es sehr gut auf Videos abschnitt, in denen ein Objekt hinter einer Wand verschwand und wieder auftauchte, wenn die Wand entfernt wurde, und dass es in diesen Fällen in der Regel mit den Überraschungsniveaus der Menschen übereinstimmte. Das Modell zeigte auch Überraschung bei Videos, bei denen Menschen keine Überraschung zeigten, obwohl sie es vielleicht sollten. Zum Beispiel muss ein Objekt, um hinter einer Wand mit einer bestimmten Geschwindigkeit zu verschwinden und sofort auf der anderen Seite der Wand wieder aufzutauchen, entweder teleportiert oder eine dramatische Geschwindigkeitszunahme erfahren haben.

Im Vergleich zur Leistung traditioneller neuronalen Netze, die in der Lage sind, aus Beobachtungen zu lernen, aber nicht explizit die Darstellung eines Objekts protokollieren, fanden die Forscher heraus, dass das ADEPT-Netz viel genauer darin war, zwischen überraschenden und nicht überraschenden Szenen zu unterscheiden, und dass die Leistung von ADEPT mit den Reaktionen der Menschen besser übereinstimmte.

Das MIT-Forschungsteam strebt danach, weitere Forschung durchzuführen und tieferes Verständnis dafür zu gewinnen, wie Säuglinge die Welt um sie herum wahrnehmen und aus diesen Beobachtungen lernen, und ihre Erkenntnisse in neue Versionen des ADEPT-Modells einzubauen.