Forbedring av AI-drevet datavisjon gjennom fysikkbevissthet

Kunstig intelligens har uten tvil satt et uutslettelig merke på våre liv. I en pionérinnsats for å ytterligere forbedre AI-egenskaper, har forskere fra UCLA og United States Army Research Laboratory avdekket en unik tilnærming som forener fysikkbevissthet med data-drevne tekniker i AI-drevet datavisjonsteknologi.

Studien, som er publisert i Nature Machine Intelligence, foreslår en banebrytende hybridmetodikk som har til hensikt å forbedre hvordan AI-basert maskinvare oppfatter, samhandler med og reagerer på sin omgivelse i sanntid – kritisk for selvstyrte kjøretøy og presisjons-roboter.

Hybridtilnærming for fysikkbevisst AI

Tradisjonelt har datavisjon, feltet som gjør det mulig for AI å forstå og slutte seg til egenskaper i den fysiske verden fra bilder, i hovedsak fokusert på data-basert maskinlæring. Samtidig har fysikk-basert forskning søkt å avdekke de fysiske prinsippene som ligger til grunn for mange datavisjonsutfordringer. Imidlertid har det vist seg å være vanskelig å inkorporere forståelsen av fysikk i neuralnettverk.

I en betydelig gjennombrudd, har UCLA-studien til hensikt å kombinere den dype forståelsen fra data og den virkelige verdens kunnskap om fysikk, og dermed skape en hybrid AI med forbedrede evner. Achuta Kadambi, studiens hovedforfatter og en assistentprofessor i elektro- og datateknikk ved UCLA Samueli School of Engineering, forklarer: “Fysikkbevisste former for slutting kan gjøre det mulig for biler å kjøre tryggere eller kirurgiske roboter å være mer presise.”

Inkorporering av fysikk i datavisjons-AI

Forskningsgruppen presenterer tre innovative måter å inkorporere fysikk i datavisjons-AI:

1. Infusjon av fysikk i AI-datasamlinger: Dette innebærer å merke objekter med ekstra informasjon, som potensiell hastighet eller vekt, likt karakterer i videospill.
2. Integrering av fysikk i nettverksarkitektur: Denne strategien innebærer å kjøre data gjennom en nettverksfilter som koder fysiske egenskaper inn i hva kameraer fanger.
3. Inkorporering av fysikk i nettverks-tap-funksjon: Her brukes kunnskap basert på fysikk til å assistere AI i å tolke treningdata om sine observasjoner.

Disse eksperimentelle forskningslinjene har allerede produsert løftende resultater i å forbedre datavisjon. For eksempel gjør hybridtilnærmingen det mulig for AI å spore og forutsi et objekts bevegelse mer nøyaktig og kan produsere nøyaktige, høyoppløste bilder fra scener skjult av dårlig vær.

Fremtiden for fysikkbevisst AI

Forskerne er optimistiske om at fortsatt fremgang i denne doble tilnærming kan føre til at dyptlærende AI-er uavhengig kan lære fysikkens lover. Dette kan markere en ny grense i AI-drevet datavisjonsteknologi, og åpne veien for en tryggere og mer presis AI-anvendelse i ulike sektorer, inkludert selvstyrte kjøretøy og kirurgisk robotikk.

Studien, som er støttet delvis av et stipend fra Army Research Laboratory, er skrevet i samarbeid med Army Research Laboratory-computerskientist Celso de Melo, og UCLA-fakultetsmedlemmer Stefano Soatto, Cho-Jui Hsieh, og Mani Srivastava. Ytterligere finansiering kom fra stipend fra National Science Foundation, Army Young Investigator Program, Defense Advanced Research Projects Agency, Intrinsic, et Alphabet (GOOG ) -selskap, og Amazon.