물리학적 인식이 강화된 AI 기반 컴퓨터 비전 기술

인공 지능은 우리의 삶에 지울 수 없는 흔적을 남겼습니다. UCLA와 미국陸軍 연구소의 연구자들은 AI 기반 컴퓨터 비전 기술에 물리학적 인식을 결합한 새로운 접근 방식을 제시했습니다.

이 연구는 Nature Machine Intelligence에 발표되었으며, 자율 주행 자동차와 정밀 로봇을 위한 실시간 환경 인식 및 상호 작용을 개선하는 혁신적인 하이브리드 방법론을 제안합니다.

물리학적 인식이 강화된 AI를 위한 하이브리드 접근

전통적으로 컴퓨터 비전은 데이터 기반의 기계 학습에 중점을 두었습니다. 그러나 물리학 기반의 연구는 컴퓨터 비전의 많은 도전을 해결하기 위한 물리학적 원리를 이해하는 데 중점을 두었습니다. 그러나 물리학적 이해를 신경망에 통합하는 것은 어려운 과제였습니다.

UCLA 연구는 데이터와 물리학의 깊은 이해를 결합하여 능력이 향상된 하이브리드 AI를 생성하는重大한 돌파구를 이루었습니다. 연구의 저자이자 UCLA 샘엘리 공과대학의 전기 및 컴퓨터 공학부 조교수인 아추타 카담비는 “물리학적 인식 형태의 추론은 자동차가 더 안전하게 운전하거나 수술 로봇이 더 정밀하게 작동할 수 있도록 합니다”라고 설명했습니다.

컴퓨터 비전 AI에 물리학적 인식을 통합

연구 팀은 컴퓨터 비전 AI에 물리학적 인식을 통합하는 세 가지 혁신적인 방법을 제시합니다:

1. 데이터 세트에 물리학적 정보를 통합: 이것은 객체에 추가 정보를 태그하는 것을 포함합니다. 예를 들어, 비디오 게임의 캐릭터와 같은 속도 또는 중량입니다.
2. 네트워크 아키텍처에 물리학적 정보를 통합: 이것은 데이터를 물리적 속성을 포함하는 필터를 통해 실행하는 것을 포함합니다.
3. 네트워크 손실 함수에 물리학적 정보를 통합: 여기서 물리학적 지식은 AI가 관찰에 대한 훈련 데이터를 해석하는 것을 도와줍니다.

이 실험적인 연구 방향은 이미 컴퓨터 비전을 향상시키는 데 약속을 보여주었습니다. 예를 들어, 하이브리드 접근 방식은 객체의 운동을 더 정확하게 추적하고 예측할 수 있으며, 나쁨天候로 인해 가려진 장면에서 정확하고 고해상도의 이미지를 생성할 수 있습니다.

물리학적 인식이 강화된 AI의 미래

연구자들은 이 쌍방향 접근 방식의 지속적인 발전이 깊은 학습 기반의 AI가 물리학의 법칙을 독립적으로 학습하도록 할 수 있을 것이라고 낙관합니다. 이것은 자율 주행 자동차와 수술 로봇을 포함한 다양한 분야에서 더 안전하고 정밀한 AI 응용 프로그램을 위한 새로운 전선을 열 수 있습니다.

이 연구는陸軍 연구소의 보조금과 함께 수행되었으며, 陸軍 연구소의 컴퓨터 과학자인 Celso de Melo와 UCLA 교수인 Stefano Soatto, Cho-Jui Hsieh, Mani Srivastava가 공동 저자입니다. 추가 자금은 국가 과학 재단, 陸軍 젊은 조사자 프로그램, 국방 고등 연구 계획 기관, Intrinsic, Alphabet (GOOG ) 의 자회사, Amazon에서 지원했습니다.