Tekoälypohjaisen konenäön parantaminen fysiikan tuntemuksen avulla

Tekoäly on jättänyt epäilemättä jälkensä elämäämme. Uraauurtavassa pyrkimyksessä edelleen parantaa tekoälyn kykyjä, tutkijat UCLA:sta ja Yhdysvaltain armeijan tutkimuslaboratoriosta ovat esittäneet ainutlaatuisen lähestymistavan, jossa yhdistetään fysiikan tietoisuus ja dataohjautuvat menetelmät tekoälykäyttöisissä konenäkötekniikoissa.

Tutkimus, joka on julkaistu Nature Machine Intelligence -julkaisussa, esittää uraauurtavan hybridimenetelmän, jolla pyritään parantamaan tekoälykäyttöisen koneen kykyä havainnoida, vuorovaikuttaa ja reagoida ympäristöönsä reaaliajassa – mikä on kriittistä esimerkiksi itsenäisille ajoneuvoille ja tarkkuusroboteille.

Hybridi lähestymistapa fysiikan tietoista tekoälyä varten

Perinteisesti konenäkö, joka mahdollistaa tekoälylle ymmärtää ja johtaa fyysisten ominaisuuksien olemassaoloa kuvista, on keskittynyt dataan perustuvaan koneoppimiseen. Samanaikaisesti fysiikan perusteella tehty tutkimus on pyrkinyt selvittämään fysiikan periaatteita, jotka liittyvät moniin konenäön haasteisiin. Kuitenkin fysiikan ymmärtämisen assimiloiminen neuroverkkojen maailmaan on osoittautunut haasteelliseksi.

Merkitsevä läpimurto UCLA-tutkimuksessa on yhdistää syvä ymmärrys datasta ja fysiikan maailman tietämys, luoden hybriditekoälyä, jolla on lisättyjä kykyjä. Achuta Kadambi, tutkimuksen vastaava tekijä ja sähkö- ja tietotekniikan apulaisprofessori UCLA Samueli School of Engineeringissa, selittää: “Fysiikan tietoiset päätelmät voivat mahdollistaa, että autot ajavat turvallisemmin tai kirurgiset robotit toimivat tarkemmin.”

Fysiikan integroiminen konenäköön

Tutkimusryhmä esittää kolme innovatiivista tapaa integroida fysiikkaa konenäköön:

1. Fysiikan sisällyttäminen tekoälyn tietoaineistoihin: Tämä tapahtuu merkitsemällä objekteja lisätiedolla, kuten niiden mahdollisella nopeudella tai painolla, samalla tavalla kuin videopelihahmojen kanssa.
2. Fysiikan integroiminen verkkoarkkitehtuuriin: Tässä strategiassa data ajetaan verkko-suodattimen läpi, joka koodaa fysikaaliset ominaisuudet kuvaan.
3. Fysiikan integroiminen verkon häviöfunktioon: Tässä fysiikan perusteella saatava tietämys auttaa tekoälyä tulkitsemaan koulutusdataa havaintojensa perusteella.

Nämä kokeelliset tutkimussuunnat ovat jo tuottaneet lupaavia tuloksia konenäön parantamisessa. Esimerkiksi hybridilähestymistapa mahdollistaa tekoälylle seurata ja ennustaa objektin liikettä tarkemmin ja tuottaa tarkat, korkearesoluutioiset kuvat huonon sään peittämistä kohtauksista.

Fysiikan tietoisen tekoälyn tulevaisuus

Tutkijat ovat optimistisia, että jatkuvat edistysaskeleet tässä kaksimodaalisessa lähestymistavassa voivat johtaa siihen, että syvän oppimisen perusteella tekoälyt voivat itsenäisesti oppia fysiikan lakeja. Tämä voisi merkitä uutta vaihetta tekoälykäyttöisissä konenäkötekniikoissa, jolloin tekoälysovellukset voivat olla turvallisempia ja tarkempia eri aloilla, kuten itsenäisissä ajoneuvoissa ja kirurgisissa roboteissa.

Tutkimus, jota tukee osittain armeijan tutkimuslaboratorion myöntämä apuraha, on tehty yhteistyössä armeijan tutkimuslaboratorion tietojenkäsittelytieteilijä Celso de Melon ja UCLA:n opettajien Stefano Soatton, Cho-Jui Hsiehin ja Mani Srivastavan kanssa. Lisärahoitusta myönsivät National Science Foundation, Army Young Investigator Program, Defense Advanced Research Projects Agency, Intrinsic, Alphabetin (GOOG ) (GOOGL ) tytäryhtiö, ja Amazon.