नई तकनीक एआई को भौतिकी की समझ देती है

कृत्रिम बुद्धिमत्ता ने पहले से ही भौतिकी की समझ विकसित करने के लिए प्रवर्तित सीखने का उपयोग किया है, लेकिन एमआईटी के शोधकर्ताओं द्वारा विकसित एक नई तकनीक मॉडल डिजाइन करने में इंजीनियरों की मदद कर सकती है जो भौतिकी की समझ का प्रदर्शन करते हैं।

मानसिक अनुसंधान ने दिखाया है कि कुछ हद तक, मनुष्यों में भौतिकी के नियमों की एक सहज समझ है। शिशुओं को यह उम्मीद है कि वस्तुएं कैसे बातचीत करेंगी और चलेंगी, और इन अपेक्षाओं का उल्लंघन करने से शिशुओं को आश्चर्य होगा। एमआईटी टीम द्वारा किए गए शोध से न केवल नए अनुप्रयोगों को चलाने में मदद मिल सकती है, बल्कि मनोवैज्ञानिकों को यह भी समझने में मदद मिल सकती है कि शिशुओं को दुनिया के बारे में कैसे पता चलता है और इन अवलोकनों से कैसे सीखते हैं।

एमआईटी टीम द्वारा डिज़ाइन किया गया मॉडल एडेप्ट कहलाता है, और यह भौतिक स्थान में वस्तुओं के व्यवहार के बारे में भविष्यवाणियां करके काम करता है। मॉडल वस्तुओं को देखता है और एक “आश्चर्य” मीट्रिक को ट्रैक करता है क्योंकि यह ऐसा करता है। यदि कुछ अप्रत्याशित होता है, तो मॉडल अपने आश्चर्य मूल्य को बढ़ाकर प्रतिक्रिया करता है। अप्रत्याशित और असंभव क्रियाएं, जैसे कि एक वस्तु टेलीपोर्ट हो जाती है या पूरी तरह से गायब हो जाती है, आश्चर्य में एक महत्वपूर्ण वृद्धि देखेंगी।

शोध टीम का लक्ष्य अपने मॉडल को उन्हीं स्तरों के आश्चर्य को पंजीकृत करने के लिए था जो मनुष्य तब पंजीकृत करते हैं जब वे वस्तुओं को अविश्वसनीय तरीके से व्यवहार करते हुए देखते हैं।

एडेप्ट में दो प्रमुख घटक हैं, एक भौतिक इंजन और एक इनवर्स ग्राफिक्स मॉड्यूल। भौतिक इंजन वस्तु की गति की भविष्यवाणी करने के लिए जिम्मेदार है, एक वस्तु की एक भविष्य की प्रतिनिधित्व की भविष्यवाणी करने के लिए, कई संभावित राज्यों से। इसके बीच, इनवर्स ग्राफिक्स मॉड्यूल भौतिक इंजन में खिलाने के लिए वस्तुओं के प्रतिनिधित्व बनाने के लिए जिम्मेदार है।

इनवर्स ग्राफिक्स मॉड्यूल विभिन्न विशेषताओं जैसे कि वेग, आकार और वस्तु की दिशा को ट्रैक करता है, इस जानकारी को वीडियो के फ्रेम से निकालता है। इनवर्स ग्राफिक्स मॉड्यूल केवल सबसे प्रमुख विवरण पर ध्यान केंद्रित करता है, जो विवरणों को अनदेखा करता है जो भौतिक इंजन को वस्तु की व्याख्या करने और नए राज्यों की भविष्यवाणी करने में मदद नहीं करेंगे। सबसे महत्वपूर्ण विवरण पर ध्यान केंद्रित करके, मॉडल नए वस्तुओं के लिए सामान्यीकरण करने में बेहतर है। फिर भौतिक इंजन वस्तु विवरण लेता है और द्रवता या कठोरता जैसे अधिक जटिल भौतिक व्यवहार की अनुमान लगाने के लिए वस्तु के व्यवहार की भविष्यवाणी करने के लिए अनुमान लगाता है।

इस इनपुट प्रक्रिया के बाद, मॉडल वीडियो के वास्तविक अगले फ्रेम को देखता है, जिसे यह अपने संभावित वस्तु व्यवहार के संबंध में अपने संभाव्यता वितरण को पुनः गणना करने के लिए उपयोग करता है। आश्चर्य संभाव्यता के विपरीत आनुपातिक है कि एक घटना होनी चाहिए, केवल जब एक बड़ा मेल नहीं होता है तो बहुत आश्चर्य पंजीकृत करता है कि मॉडल मानता है कि आगे क्या होना चाहिए और वास्तव में क्या होता है।

शोध टीम को अपने मॉडल के आश्चर्य की तुलना करने के लिए कुछ तरीके की आवश्यकता थी जो लोगों के आश्चर्य से मेल खाते हैं जो एक ही वस्तु व्यवहार देख रहे हैं। विकासात्मक मनोविज्ञान में, शोधकर्ता अक्सर शिशुओं का परीक्षण दो अलग-अलग वीडियो दिखाकर करते हैं। एक वीडियो में, एक वस्तु प्रस्तुत की जाती है जो वास्तविक दुनिया में वस्तुओं की अपेक्षा के अनुसार व्यवहार करती है, न कि स्वतःस्फूर्त रूप से गायब हो जाती है या टेलीपोर्ट हो जाती है। दूसरे वीडियो में, एक वस्तु भौतिकी के नियमों का उल्लंघन करती है। शोध टीम ने इन्हीं मूल अवधारणाओं को लिया और 60 वयस्कों को 64 विभिन्न वीडियो दिखाया, जिनमें अपेक्षित और अप्रत्याशित भौतिक व्यवहार दोनों शामिल थे। प्रतिभागियों से वीडियो में विभिन्न क्षणों में 1 से 100 के पैमाने पर अपने आश्चर्य का मूल्यांकन करने के लिए कहा गया था।

मॉडल के प्रदर्शन का विश्लेषण यह दिखाया गया है कि यह उन वीडियो पर बहुत अच्छा प्रदर्शन करता है जहां एक वस्तु को दीवार के पीछे ले जाया जाता है और दीवार को हटा दिए जाने पर गायब हो जाता है, आमतौर पर इन मामलों में मानव आश्चर्य स्तरों से मेल खाता है। मॉडल ने उन वीडियो से भी आश्चर्य व्यक्त किया जहां मनुष्यों ने आश्चर्य व्यक्त नहीं किया, लेकिन तर्कसंगत रूप से ऐसा करना चाहिए था। उदाहरण के लिए, यदि एक वस्तु एक दीवार के पीछे एक निश्चित गति से जाने के लिए और तुरंत दीवार के दूसरी तरफ बाहर आने के लिए, तो यह या तो टेलीपोर्ट हुआ होगा या इसकी गति में एक नाटकीय वृद्धि हुई होगी।

पारंपरिक न्यूरल नेटवर्क के प्रदर्शन की तुलना में जो अवलोकन से सीखने में सक्षम हैं लेकिन वस्तु के प्रतिनिधित्व को स्पष्ट रूप से लॉग नहीं करते हैं, शोधकर्ताओं ने पाया कि एडेप्ट नेटवर्क आश्चर्यजनक और आश्चर्यजनक दृश्यों के बीच भेदभाव करने में बहुत अधिक सटीक था और एडेप्ट का प्रदर्शन मानव प्रतिक्रियाओं के साथ अधिक बारीकी से संरेखित था।

एमआईटी शोध टीम का उद्देश्य और अधिक शोध करना और यह जानने के लिए गहरी अंतर्दृष्टि प्राप्त करना है कि शिशुओं को दुनिया के बारे में कैसे पता चलता है और इन अवलोकनों से कैसे सीखते हैं, और एडेप्ट मॉडल के नए संस्करणों में अपने निष्कर्षों को शामिल करना।