物理認識を備えたAIパワードコンピュータビジョンの強化

人工知能は私たちの生活に確実に影響を与えています。AIの能力をさらに強化するための先駆的な取り組みとして、UCLAとアメリカ陸軍研究研究所の研究者たちは、AIパワードコンピュータビジョン技術に物理認識を組み合わせるためのユニークなアプローチを発表しました。

この研究は、Nature Machine Intelligenceに掲載され、AIベースのマシンがリアルタイムで環境と相互作用し、反応する方法を改善することを目的とした画期的なハイブリッド手法を提案しています。これは、自動運転車や精密アクションロボットに不可欠です。

物理認識を備えたAIのハイブリッドアプローチ

伝統的に、コンピュータビジョンは、AIが物理世界の特性を画像から推論することを可能にする分野であり、主にデータベースのマシンラーニングに焦点を当ててきました。一方、物理ベースの研究は、多くのコンピュータビジョンの課題の根底にある物理原理を解明しようとしました。ただし、物理の理解をニューラルネットワークの領域に組み込むことは困難でした。

UCLAの研究では、データから得られる深い理解と物理の現実世界の知識を組み合わせ、機能が強化されたハイブリッドAIを作成することを目指しています。研究の対応著者であり、UCLAサミュエリ工学学校の電気・コンピュータ工学の助教授であるAchuta Kadambiは、「物理認識を備えた推論は、車がより安全に運転したり、手術ロボットがより正確になったりすることを可能にする」と説明しています。

コンピュータビジョンAIに物理を組み込む

研究チームは、コンピュータビジョンAIに物理を組み込むための3つの革新的な方法を概説しています：

1. 物理をAIデータセットに組み込む: これには、オブジェクトに追加の情報をタグ付けすることが含まれます。たとえば、オブジェクトの速度や重量などの情報をビデオゲームのキャラクターのように付加します。
2. 物理をネットワークアーキテクチャに組み込む: この戦略では、データをネットワークフィルタを通して実行し、物理的特性をカメラが捉えるものにコード化します。
3. 物理をネットワーク損失関数に組み込む: ここでは、物理に基づく知識を利用して、AIが観測データを解釈するのを支援します。

これらの実験的な研究ラインは、すでにコンピュータビジョンの強化において有望な結果をもたらしています。たとえば、ハイブリッドアプローチにより、AIはオブジェクトの動きをより正確に追跡し、予測することができ、悪天候で隠されたシーンからも高解像度の画像を生成することができます。

物理認識を備えたAIの未来

研究者たちは、双方のアプローチの継続的な進歩により、ディープラーニングベースのAIが物理の法則を独自に学習できる可能性があると考えています。これは、AIパワードコンピュータビジョンテクノロジーにおける新たなフロンティアを標榜し、自動運転車や手術ロボットなどの分野でのより安全で正確なAIアプリケーションの道を開くでしょう。

この研究は、アメリカ陸軍研究研究所からの補助金の一部によって支援され、アメリカ陸軍研究研究所のコンピュータサイエンティストであるCelso de Meloと、UCLAの教員であるStefano Soatto、Cho-Jui Hsieh、Mani Srivastavaによって共同執筆されました。さらに、国家科学財団、アメリカ陸軍ヤングインベスティゲーター・プログラム、国防高等研究計画庁、Intrinsic（Alphabet (GOOG ) 社）、Amazonからの補助金も受けました。