Βελτιώνοντας την AI-Ενισχυμένη Οπτική του Υπολογιστή μέσω Φυσικής-Επίγνωσης

Η Τεχνητή Νοημοσύνη έχει αδιαμφισβήτητα αφήσει μια ανεξίτηλη σφραγίδα στη ζωή μας. Σε μια πρωτοποριακή προσπάθεια να ενισχύσει περαιτέρω τις ικανότητες της Τεχνητής Νοημοσύνης, ερευνητές από το UCLA και το Εργαστήριο Έρευνας του Στρατού των Ηνωμένων Πολιτειών έχουν αποκαλύψει μια μοναδική προσέγγιση που συνδυάζει τη φυσική-επίγνωση με τεχνικές βασισμένες σε δεδομένα στην τεχνολογία οπτικής του υπολογιστή που ενισχύεται από την Τεχνητή Νοημοσύνη.

Η μελέτη, που δημοσιεύθηκε στο Nature Machine Intelligence, προτείνει μια πρωτοποριακή υβριδική μεθοδολογία που στοχεύει στην εξευγενήση του τρόπου με τον οποίο η τεχνολογία οπτικής του υπολογιστή που βασίζεται στην Τεχνητή Νοημοσύνη αισθάνεται, αλληλεπιδρά και αντιδρά στο περιβάλλον σε πραγματικό χρόνο—κρίσιμο για τα αυτόνομα οχήματα και τα ρομπότ ακριβείας.

Υβριδική Προσέγγιση για Φυσική-Επίγνωση Τεχνητής Νοημοσύνης

Παραδοσιακά, η οπτική του υπολογιστή, το πεδίο που επιτρέπει στην Τεχνητή Νοημοσύνη να κατανοήσει και να συναγάγει ιδιότητες του φυσικού κόσμου από εικόνες, έχει επικεντρωθεί σε μεγάλο βαθμό στις τεχνικές μηχανικής μάθησης βασισμένες σε δεδομένα. Ταυτόχρονα, η έρευνα βασισμένη στη φυσική προσπάθησε να αποκαλύψει τις φυσικές αρχές που υποκείονται σε πολλές προκλήσεις της οπτικής του υπολογιστή. Ωστόσο, η ενσωμάτωση της κατανόησης της φυσικής στο πεδίο των νευρωνικών δικτύων αποδείχθηκε μια πρόκληση.

Σε μια σημαντική突破, η μελέτη του UCLA στοχεύει να συνδυάσει την sâuιά κατανόηση από τα δεδομένα και τη γνώση του κόσμου της φυσικής, δημιουργώντας έτσι μια υβριδική Τεχνητή Νοημοσύνη με αυξημένες ικανότητες. Ο Achuta Kadambi, ο συγγραφέας της μελέτης και βοηθός καθηγητής ηλεκτρολογικού και υπολογιστικού μηχανικού στο UCLA Samueli School of Engineering, εξηγεί, “Οι μορφές συλλογισμού που είναι φυσικά-επίγνωσες μπορούν να επιτρέψουν στα αυτοκίνητα να οδηγούν με μεγαλύτερη ασφάλεια ή τα χειρουργικά ρομπότ να είναι πιο ακριβή.”

Ενσωμάτωση της Φυσικής στην Οπτική του Υπολογιστή Τεχνητής Νοημοσύνης

Η ερευνητική ομάδα περιγράφει τρεις καινοτόμες τρόπους για την ενσωμάτωση της φυσικής στην οπτική του υπολογιστή Τεχνητής Νοημοσύνης:

1. Εισαγωγή της φυσικής στα σύνολα δεδομένων της Τεχνητής Νοημοσύνης: Αυτό涉αζει την επισήμανση αντικειμένων με πρόσθετες πληροφορίες, όπως η πιθανή ταχύτητα ή το βάρος τους, παρόμοια με τους χαρακτήρες σε βιντεοπαιχνίδια.
2. Ενσωμάτωση της φυσικής στις αρχιτεκτονικές των δικτύων: Αυτή η στρατηγική涉αζει το πέρασμα δεδομένων μέσω ενός φίλτρου δικτύου που κωδικοποιεί φυσικές ιδιότητες σε αυτό που καταγράφουν οι κάμερες.
3. Ενσωμάτωση της φυσικής στη συνάρτηση απώλειας του δικτύου: Εδώ, η γνώση που βασίζεται στη φυσική χρησιμοποιείται για να βοηθήσει την Τεχνητή Νοημοσύνη στην ερμηνεία των δεδομένων εκπαίδευσης για τις παρατηρήσεις της.

Αυτές οι πειραματικές γραμμές έρευνας έχουν ήδη παραγάγει υποσχόμενες αποτελέσματα στην ενίσχυση της οπτικής του υπολογιστή. Για παράδειγμα, η υβριδική προσέγγιση επιτρέπει στην Τεχνητή Νοημοσύνη να παρακολουθεί και να προβλέπει την κίνηση eines αντικειμένου με μεγαλύτερη ακρίβεια και μπορεί να παράγει ακριβείς, υψηλής ανάλυσης εικόνες από σκηνές που είναι αποκρυμμένες από δυσμενείς καιρικές συνθήκες.

Το Μέλλον της Φυσικής-Επίγνωσης Τεχνητής Νοημοσύνης

Οι ερευνητές είναι αισιόδοξοι ότι η συνέχιση των προόδων σε αυτήν την дуαλιστική προσέγγιση μπορεί να οδηγήσει τις Τεχνητές Νοημοσύνες που βασίζονται στη βαθιά μάθηση να μάθουν ανεξάρτητα τους νόμους της φυσικής. Αυτό θα μπορούσε να σηματοδοτήσει einen νέο ορίζοντα στις τεχνολογίες οπτικής του υπολογιστή που ενισχύονται από την Τεχνητή Νοημοσύνη, ανοίγοντας τον δρόμο για μια ασφαλέστερη και πιο ακριβή εφαρμογή της Τεχνητής Νοημοσύνης σε διάφορους τομείς, συμπεριλαμβανομένων των αυτόνομων οχημάτων και της χειρουργικής ρομποτικής.

Η μελέτη, που υποστηρίχθηκε εν μέρει από eine επιχορήγηση από το Εργαστήριο Έρευνας του Στρατού, συνυπογράφηκε από τον επιστήμονα υπολογιστών του Εργαστηρίου Έρευνας του Στρατού Celso de Melo και τους καθηγητές του UCLA Stefano Soatto, Cho-Jui Hsieh και Mani Srivastava. Επιπλέον χρηματοδότηση προήλθε από επιχορηγήσεις από το Εθνικό Ίδρυμα Επιστημών, το Πρόγραμμα Νέων Ερευνητών του Στρατού, την Υπηρεσία Έρευνας και Ανάπτυξης Αμύνης, την Intrinsic, μια εταιρεία του Alphabet (GOOG ) (GOOGL ), και την Amazon.