Nieuwe techniek laat AI intuïtief enkele natuurkundige principes begrijpen

Kunstmatige intelligentie kan al enige tijd een begrip van de natuurkunde ontwikkelen door middel van versterking van het leren, maar een nieuwe techniek ontwikkeld door onderzoekers aan het MIT kan helpen bij het ontwerpen van modellen die een intuïtief begrip van de natuurkunde laten zien.

Psychologisch onderzoek heeft aangetoond dat mensen tot op zekere hoogte een intuïtief begrip van de natuurkundige wetten hebben. Baby’s hebben verwachtingen over hoe objecten zouden moeten interacteren en bewegen, en schendingen van deze verwachtingen zullen bij de baby’s een reactie van verbazing teweegbrengen. Het onderzoek dat door het MIT-team is uitgevoerd, heeft het potentieel om niet alleen nieuwe toepassingen van kunstmatige intelligentie te stimuleren, maar ook om psychologen te helpen begrijpen hoe baby’s de wereld om hen heen waarnemen en leren van deze waarnemingen, en om hun bevindingen op te nemen in nieuwe versies van het ADEPT-model.

Het model dat door het MIT-team is ontwikkeld, heet ADEPT, en het functioneert door voorspellingen te doen over hoe objecten zich in een fysieke ruimte zouden moeten gedragen. Het model observeert objecten en houdt een “verbazing”-meting bij terwijl het dit doet. Als iets onverwachts gebeurt, reageert het model door zijn verbazingwaarde te verhogen. Onverwachte en ogenschijnlijk onmogelijke acties, zoals het teleporteren of verdwijnen van een object, zullen een dramatische stijging van de verbazing teweegbrengen.

Het doel van het onderzoeksteam was om hun model zo te laten functioneren dat het dezelfde niveaus van verbazing registreert als mensen wanneer ze objecten zien die op onwaarschijnlijke wijze gedragen.

ADEPT heeft twee belangrijke componenten: een natuurkundemotor en een inverse grafische module. De natuurkundemotor is verantwoordelijk voor het voorspellen van hoe een object zal bewegen, door een toekomstige weergave van een object te voorspellen uit een reeks mogelijke staten. Ondertussen is de inverse grafische module verantwoordelijk voor het creëren van de weergaven van objecten die aan de natuurkundemotor worden doorgegeven.

De inverse grafische module volgt verschillende attributen, zoals snelheid, vorm en oriëntatie van een object, en haalt deze informatie uit frames van video’s. De inverse grafische module richt zich alleen op de meest relevante details en negeert details die de natuurkundemotor niet zullen helpen bij het interpreteren van het object en het voorspellen van nieuwe staten. Door zich te concentreren op alleen de meest belangrijke details, kan het model beter generaliseren naar nieuwe objecten. De natuurkundemotor neemt vervolgens deze objectbeschrijvingen en simuleert meer complex fysiek gedrag, zoals vloeibaarheid of stijfheid, om voorspellingen te doen over hoe het object zich zou moeten gedragen.

Nadat deze intake-proces heeft plaatsgevonden, observeert het model de daadwerkelijke volgende frame in de video, die het gebruikt om zijn kansverdeling te herberekenen met betrekking tot mogelijke objectgedrag. De verbazing is omgekeerd evenredig met de kans dat een gebeurtenis zou moeten plaatsvinden, en registreert alleen grote verbazing wanneer er een grote mismatch is tussen wat het model denkt dat er zou moeten gebeuren en wat er daadwerkelijk gebeurt.

Het onderzoeksteam had een manier nodig om de verbazing van hun model te vergelijken met de verbazing van mensen die hetzelfde objectgedrag observeren. In de ontwikkelingspsychologie testen onderzoekers vaak baby’s door hen twee verschillende video’s te laten zien. In de ene video wordt een object getoond dat zich gedraagt zoals je zou verwachten dat objecten in de echte wereld zouden doen, zonder spontane teleportatie of verdwijning. In de andere video schendt een object de natuurkundige wetten op de een of andere manier. Het onderzoeksteam nam deze basisconcepten en liet 60 volwassenen 64 verschillende video’s van zowel verwachte als onverwachte fysieke gedragingen bekijken. De deelnemers werden vervolgens gevraagd om hun verbazing te beoordelen op verschillende momenten in de video op een schaal van 1 tot 100.

De analyse van de prestaties van het model toonde aan dat het zeer goed presteerde op video’s waarin een object achter een muur werd bewogen en verdween toen de muur werd verwijderd, en overeenkwam met de verbazingniveaus van de mensen in deze gevallen. Het model leek ook verbaasd te zijn door video’s waarin mensen geen verbazing toonden, maar waarin ze dat eigenlijk wel zouden moeten doen. Als voorbeeld, om een object te laten bewegen achter een muur met een bepaalde snelheid en direct aan de andere kant van de muur te verschijnen, moet het object zijn geteleporteerd of een dramatische toename in snelheid hebben ondergaan.

Toen het werd vergeleken met de prestaties van traditionele neurale netwerken die in staat zijn om van observaties te leren, maar die geen expliciete weergave van een object loggen, vonden de onderzoekers dat het ADEPT-netwerk veel nauwkeuriger was in het onderscheiden tussen verrassende en niet-verrassende scènes en dat de prestaties van ADEPT beter overeenkwamen met de reacties van de mensen.

Het MIT-onderzoeksteam streeft ernaar om meer onderzoek te doen en dieper inzicht te krijgen in hoe baby’s de wereld om hen heen waarnemen en leren van deze waarnemingen, en om hun bevindingen op te nemen in nieuwe versies van het ADEPT-model, en onverwachte en verrassende scènes en dat ADEPT’s prestaties beter overeenkwamen met de reacties van de mensen.