새로운 기술로 인해 AI가 직관적으로 물리학을 이해할 수 있다

인공 지능은 강화 학습을 통해 이미 일상적으로 물리학을 이해할 수 있게 되었습니다. 그러나 MIT의 연구자들이 개발한 새로운 기술 은 엔지니어가 물리학을 직관적으로 이해하는 모델을 설계하도록 도와줄 수 있습니다. 심리학 연구에 따르면 인간은 어느 정도 물리학의 법칙을 직관적으로 이해하고 있습니다. 영아들은 물체가 어떻게 상호 작용하고 움직여야 하는지에 대한 기대를 가지고 있으며, 이러한 기대의 위반이 영아가 놀라는 반응을 일으킵니다. MIT 팀의 연구는 인공 지능의 새로운 응용 분야를 구동할 뿐만 아니라 영아들이 세계를 어떻게 인식하고 학습하는지에 대한 심리학적 이해를 도와줄 수 있습니다. MIT 팀이 설계한 모델은 ADEPT라고 불리며, 물리적 공간에서 물체가 어떻게 행동해야 하는지에 대한 예측을 통해 작동합니다. 모델은 물체를 관찰하고 “놀람” 지표를 계속 추적합니다. 예상치 못한 일이 발생하면 모델은 놀람 값을 증가시킵니다. 텔레포트 또는 완전히 사라지는 것과 같은 예상치 못한 행동은 놀람 값의 급격한 증가를 보입니다. 연구 팀의 목표는 모델이 인간이 비현실적인 방식으로 물체가 행동할 때와 같은 수준의 놀람을 등록하도록 하는 것이었습니다. ADEPT에는 물리 엔진과 역 그래픽스 모듈의 두 가지 주요 구성 요소가 있습니다. 물리 엔진은 물체의 예상된 미래 상태를 예측하는 책임이 있으며, 역 그래픽스 모듈은 물리 엔진에 입력할 물체의 표현을 생성하는 책임이 있습니다. 역 그래픽스 모듈은 속도, 모양, 방향과 같은 여러 속성을 추적하며, 비디오 프레임에서 이러한 정보를 추출합니다. 역 그래픽스 모듈은 물리 엔진이 물체를 해석하고 새로운 상태를 예측하는 데 도움이 되지 않는 세부 사항을 무시합니다. 가장 중요한 세부 사항에만 집중함으로써 모델은 새로운 물체에 더 잘 일반화할 수 있습니다. 물리 엔진은 이러한 물체 설명을 가져와서 유동성 또는剛性와 같은 더 복잡한 물리적 행동을 시뮬레이션하여 물체가 어떻게 행동해야 하는지에 대한 예측을 만듭니다. 이 섭취 프로세스가 발생한 후에, 모델은 실제 다음 프레임을 관찰하여 가능한 물체 행동에 대한 확률 분포를 재계산합니다. 놀람은 이벤트가 발생할 확률에 반비례하며, 모델이 다음에 무엇이 발생해야 하는지에 대한 믿음과 실제로 발생하는 것 사이에 큰 불일치가 있을 때만 큰 놀람을 등록합니다. 연구 팀은 모델의 놀람을 동일한 물체 행동을 관찰하는 사람들의 놀람과 비교하는 방법이 필요했습니다. 발달 심리학에서 연구자들은 종종 영아들에게 두 개의 다른 비디오를 보여줍니다. 한 비디오에서는 물체가 제시되며, 이는 실제 세계에서 물체가 어떻게 행동해야 하는지에 대한 기대를满た하지 않습니다. 다른 비디오에서는 물체가 물리학의 법칙을 위반합니다. 연구 팀은 이러한 기본 개념을 가져와 60명의 성인에게 64개의 비디오를 보여주었습니다. 각 비디오는 예상된 물리적 행동과 예상치 못한 물리적 행동을 모두 포함했습니다. 참가자들은 비디오의 다양한 시점에서 놀람을 1에서 100까지의 척도로 평가하도록 요청받았습니다. 모델의 성능 분석은 모델이 물체가 벽 뒤로 이동하여 벽을 제거할 때 사라지는 비디오에서 매우 잘 수행되었으며, 이러한 경우에 인간의 놀람 수준과 일치하는 것으로 나타났습니다. 모델은 또한 인간이 놀람을 나타내지 않았지만 논리적으로 놀람을 나타내야 하는 비디오에서 놀람을 보였습니다. 예를 들어, 물체가 벽 뒤로 이동하여 즉시 벽의 다른 쪽에서 나올 수 있는 속도로 이동하려면, 물체는 텔레포트하거나 속도가 급격히 증가해야 합니다. 전통적인 신경망과 비교했을 때, 관찰에서 학습할 수 있지만 물체의 표현을 명시적으로 로깅하지 않는 경우, 연구자들은 ADEPT 네트워크가 놀람과 놀람이 없는 장면을 구별하는 데 훨씬 더 정확하다는 것을 발견했습니다. 또한 ADEPT의 성능은 인간의 반응과 더 밀접하게 일치했습니다. MIT 연구 팀은 영아들이 세계를 어떻게 관찰하고 이러한 관찰에서 무엇을 배우는지에 대한 더深い 이해를 얻기 위해 더 많은 연구를 수행하고, 이러한 발견을 ADEPT 모델의 새로운 버전에 통합하려고 합니다.