Model AI Revolusioner yang Memprediksi Sistem Fisik Tanpa Pengetahuan Pra-Definisi

Sebuah studi baru oleh peneliti dari Archetype AI telah mengungkapkan model AI yang berani dan mampu menggeneralisasi berbagai sinyal dan fenomena fisik, menandai lompatan besar dalam bidang kecerdasan buatan. Makalah tersebut, berjudul “Model Fondasi AI Fenomenologis untuk Sinyal Fisik,“ mengusulkan pendekatan baru untuk membangun model AI yang seragam yang dapat memprediksi dan menafsirkan proses fisik dari berbagai domain, semuanya tanpa pengetahuan sebelumnya tentang hukum fisik yang mendasarinya.

Pendekatan Baru untuk AI dalam Sistem Fisik

Studi ini bertujuan untuk mengembangkan model fondasi AI yang dapat menangani sinyal fisik dari berbagai sistem, termasuk arus listrik, aliran fluida, dan data sensor optik. Dengan mengadopsi pendekatan fenomenologis, peneliti menghindari memasukkan hukum fisik spesifik ke dalam model, memungkinkan model untuk menggeneralisasi ke fenomena fisik baru yang belum pernah ditemui sebelumnya.

Dilatih pada 0,59 miliar pengukuran sensor dari berbagai domain, model ini telah menunjukkan kinerja luar biasa dalam memprediksi perilaku sistem fisik. Sistem ini mencakup osilator mekanis sederhana hingga proses kompleks seperti dinamika grid listrik, menunjukkan kemampuan model untuk menangani sistem yang kompleks.

Kerangka AI Fenomenologis

Pendekatan studi ini didasarkan pada kerangka fenomenologis. Tidak seperti model AI tradisional yang bergantung pada bias induktif pra-definisi (seperti hukum kekekalan), peneliti melatih AI mereka hanya pada data observasi dari sensor. Ini memungkinkan model untuk mempelajari pola intrinsik dari berbagai fenomena fisik tanpa mengasumsikan pengetahuan sebelumnya tentang prinsip fisik yang mendasarinya.

Dengan fokus pada kuantitas fisik seperti suhu, arus listrik, dan torsi, model ini dapat menggeneralisasi di berbagai jenis sensor dan sistem, membuka pintu ke aplikasi di industri yang luas, dari manajemen energi hingga penelitian ilmiah lanjutan.

Kerangka Ω: Jalur Menuju Model Fisik Universal

Di inti dari terobosan ini adalah Kerangka Ω, metode terstruktur yang dikembangkan oleh peneliti untuk menciptakan model AI yang dapat menginferensi dan memprediksi proses fisik. Dalam kerangka ini, semua proses fisik direpresentasikan sebagai himpunan kuantitas yang dapat diamati. Tantangan membangun model universal terletak pada kenyataan bahwa tidak semua kuantitas fisik yang mungkin dapat diukur atau dimasukkan dalam pelatihan. Meskipun demikian, Kerangka Ω memungkinkan model untuk menginferensi perilaku dalam sistem baru berdasarkan data yang telah ditemui.

Kemampuan ini untuk menggeneralisasi berasal dari cara model menangani data sensor yang tidak lengkap atau berisik, yang khas dari aplikasi dunia nyata. AI mempelajari untuk mendekode dan merekonstruksi sinyal ini, memprediksi perilaku masa depan dengan akurasi yang mengesankan.

Arsitektur Berbasis Transformer untuk Sinyal Fisik

Arsitektur model ini didasarkan pada jaringan transformer, yang umum digunakan dalam pemrosesan bahasa alami tetapi sekarang diterapkan pada sinyal fisik. Jaringan ini mengubah data sensor menjadi patch satu dimensi, yang kemudian disematkan ke dalam ruang laten yang seragam. Pemetaan ini memungkinkan model untuk menangkap pola temporal kompleks dari sinyal fisik, tanpa memandang jenis sensor tertentu.

Downstream decoder fenomenologis kemudian memungkinkan model untuk merekonstruksi perilaku masa lalu atau memprediksi peristiwa masa depan, membuatnya dapat disesuaikan dengan berbagai sistem fisik. Decoder ringan juga memungkinkan untuk penyetelan tugas spesifik tanpa melatih ulang model seluruhnya.

Validasi Melintasi Sistem Fisik yang Beragam

Peneliti melakukan eksperimen ekstensif untuk menguji kemampuan generalisasi model. Dalam satu set tes, model dievaluasi pada osilator harmonik massa-pegas dan sistem termoelektrik. Kedua sistem ini dikenal karena perilaku kacau atau kompleks, membuatnya ideal untuk menguji akurasi prediksi model.

AI berhasil meramalkan perilaku sistem ini dengan kesalahan minimal, bahkan selama fase kacau. Keberhasilan ini menyoroti potensinya untuk memprediksi sistem fisik yang menunjukkan dinamika non-linear.

Eksperimen lebih lanjut dilakukan menggunakan data dunia nyata, termasuk:

• Konsumsi daya listrik di berbagai negara.
• Perubahan suhu di Melbourne, Australia.
• Data suhu minyak dari trafo listrik.

Dalam setiap kasus, model ini mengungguli model tradisional yang spesifik domain, menunjukkan kemampuannya untuk menangani sistem dunia nyata yang kompleks.

Generalisasi Zero-Shot dan Fleksibilitas

Salah satu hasil paling menarik dari studi ini adalah kemampuan generalisasi zero-shot model. AI dapat memprediksi perilaku dalam sistem yang belum pernah ditemui selama pelatihan, seperti perilaku termoelektrik dan dinamika trafo listrik, dengan tingkat akurasi yang tinggi.

Kemampuan ini mirip dengan prestasi yang dilihat dalam model bahasa alami, seperti GPT-4, di mana satu model yang dilatih pada dataset besar dapat mengungguli model yang dikhususkan untuk tugas tertentu. Terobosan ini dapat memiliki implikasi jangka panjang dalam kemampuan AI untuk menafsirkan proses fisik.

Implikasi untuk Industri dan Penelitian

Potensi aplikasi dari model fondasi AI ini sangat luas. Dengan memungkinkan sistem yang tidak bergantung pada sensor, model ini dapat digunakan dalam domain di mana mengumpulkan dataset besar dan spesifik sulit. Kemampuan model untuk belajar secara otonom dari data observasi dapat mengarah pada pengembangan sistem AI yang belajar sendiri yang beradaptasi dengan lingkungan baru tanpa intervensi manusia.

Selain itu, model ini memiliki potensi besar untuk penemuan ilmiah. Dalam bidang seperti fisika, sains bahan, dan penelitian eksperimental, di mana data sering kompleks dan multi-dimensi, model ini dapat mempercepat proses analisis, menawarkan wawasan yang sebelumnya tidak dapat diakses dengan metode tradisional.

Arah Masa Depan

Sementara model ini mewakili kemajuan signifikan dalam AI untuk sistem fisik, studi ini juga mengidentifikasi area untuk penelitian lebih lanjut. Ini termasuk memperbaiki penanganan model terhadap noise sensor-spesifik, menjelajahi kinerjanya pada sinyal non-periodik, dan menangani kasus sudut di mana prediksi kurang akurat.

Pekerjaan masa depan juga dapat fokus pada mengembangkan decoder yang lebih robust untuk tugas spesifik, seperti deteksi anomali, klasifikasi, atau menangani kasus tepi dalam sistem kompleks.

Kesimpulan

Pengenalan Model Fondasi AI Fenomenologis untuk Sinyal Fisik menandai bab baru dalam kemampuan AI untuk memahami dan memprediksi dunia fisik. Dengan kemampuan menggeneralisasi di berbagai fenomena dan jenis sensor, model ini dapat mengubah industri, penelitian ilmiah, dan bahkan teknologi sehari-hari. Kemampuan pembelajaran zero-shot yang ditunjukkan dalam studi ini membuka pintu ke model AI yang dapat belajar secara otonom dan beradaptasi dengan tantangan baru tanpa memerlukan pelatihan ulang spesifik domain.

Penelitian ini yang dipimpin oleh Archetype AI kemungkinan akan memiliki dampak jangka panjang pada bagaimana AI diterapkan pada sistem fisik, merevolusi bidang yang bergantung pada prediksi akurat dan skalabel.