Verbetering van AI-gebaseerde computervisie door middel van fysieke bewustzijn

Kunstmatige intelligentie heeft onmiskenbaar een onuitwisbaar spoor achtergelaten in ons leven. In een pioniersinspanning om de AI-mogelijkheden verder te verbeteren, hebben onderzoekers van de UCLA en het United States Army Research Laboratory een unieke aanpak onthuld die fysieke bewustzijn combineert met gegevensgedreven technieken in AI-gebaseerde computervisietechnologieën.

Het onderzoek, gepubliceerd in Nature Machine Intelligence, stelt een baanbrekende hybride methode voor om te verfijnen hoe AI-gebaseerde machines hun omgeving waarnemen, interactie hebben en reageren in real-time – cruciaal voor autonome voertuigen en precisie-actierobots.

Hybride aanpak voor fysieke AI

Traditioneel heeft computervisie, het veld dat AI in staat stelt om eigenschappen van de fysieke wereld te begrijpen en af te leiden uit beelden, zich voornamelijk gericht op gegevensgebaseerd machine learning. Tegelijkertijd heeft fysiek gebaseerd onderzoek geprobeerd om de fysieke principes te ontrafelen die ten grondslag liggen aan veel computervisie-uitdagingen. Echter, het integreren van de kennis van fysica in het domein van neurale netwerken is moeilijk gebleken.

In een significante doorbraak is het UCLA-onderzoek van plan om de diepe kennis uit gegevens en de kennis van de fysieke wereld te combineren, waardoor een hybride AI met verhoogde mogelijkheden ontstaat. Achuta Kadambi, de corresponderende auteur van het onderzoek en assistent-professor in elektrotechniek en informatica aan de UCLA Samueli School of Engineering, legt uit: “Fysieke vormen van inferentie kunnen auto’s in staat stellen om veiliger te rijden of chirurgische robots om preciezer te zijn.”

Fysica integreren in computervisie-AI

Het onderzoeksteam schetst drie innovatieve manieren om fysica te integreren in computervisie-AI:

1. Fysica in AI-gegevenssets infuseren: Dit houdt in dat objecten worden getagd met extra informatie, zoals hun potentiële snelheid of gewicht, vergelijkbaar met personages in videospellen.
2. Fysica integreren in netwerkarchitecturen: Deze strategie houdt in dat gegevens door een netwerkfilter worden geleid dat fysieke eigenschappen codeert in wat camera’s vastleggen.
3. Fysica integreren in netwerkverliesfunctie: Hierbij wordt kennis op basis van fysica gebruikt om AI te helpen bij het interpreteren van trainingsgegevens op basis van hun observaties.

Deze experimentele onderzoekslijnen hebben al veelbelovende resultaten opgeleverd bij het verbeteren van computervisie. Zo maakt de hybride aanpak het mogelijk voor AI om de beweging van een object nauwkeuriger te volgen en te voorspellen en kan het nauwkeurige, hoge-resolutiebeelden produceren van scènes die worden verhinderd door slecht weer.

De toekomst van fysieke AI

De onderzoekers zijn optimistisch dat verdere vooruitgang in deze dubbele modale aanpak ertoe kan leiden dat diepe leerlingen op basis van AI onafhankelijk de wetten van de fysica kunnen leren. Dit kan een nieuwe frontier markeren in AI-gebaseerde computervisietechnologieën, waardoor het mogelijk wordt om veiligere en precieze AI-toepassingen te ontwikkelen in verschillende sectoren, waaronder autonome voertuigen en chirurgische robotica.

Het onderzoek, dat deels werd ondersteund door een subsidie van het Army Research Laboratory, werd mede ondertekend door Army Research Laboratory-computerspecialist Celso de Melo, en UCLA-faculteitsleden Stefano Soatto, Cho-Jui Hsieh, en Mani Srivastava. Additionele financiering kwam van subsidies van de National Science Foundation, het Army Young Investigator Program, het Defense Advanced Research Projects Agency, Intrinsic, een Alphabet (GOOG ) -bedrijf, en Amazon.