Ny teknikk lar AI forstå fysikk intuitivt

Kunstig intelligens har i noen år kunnet utvikle en forståelse av fysikk gjennom forsterkingslæring, men en ny teknikk utviklet av forskere ved MIT kan hjelpe ingeniører med å designe modeller som demonstrerer en intuitiv forståelse av fysikk.

Psykologisk forskning har vist at mennesker har en intuitiv forståelse av fysikkens lover til en viss grad. Spedbarn har forventninger om hvordan objekter skal samhandle og bevege seg, og brudd på disse forventningene vil få barna til å reagere med overraskelse. Forskningen som er gjennomført av MIT-teamet har potensial til ikke bare å drive nye anvendelser av kunstig intelligens, men også å hjelpe psykologer med å forstå hvordan spedbarn observerer og lærer om verden.

Modellen som er designet av MIT-teamet kalles ADEPT, og den fungerer ved å gjøre prediksjoner om hvordan objekter skal oppføre seg i et fysisk rom. Modellen observerer objekter og holder spor av en “overraskelse”-måling mens den gjør det. Hvis noe uventet skjer, responderer modellen ved å øke sin overraskelsesverdi. Uventede og umulige handlinger som at et objekt teleporterer eller forsvinner helt, vil se en dramatisk økning i overraskelse.

Målet for forskningsteamet var å få sin modell til å registrere de samme nivåene av overraskelse som mennesker registrerer når de ser objekter som oppfører seg på uforklarlige måter.

ADEPT har to hovedkomponenter, en fysikk-motor og en invers grafikk-modul. Fysikk-motoren er ansvarlig for å prediktere hvordan et objekt vil bevege seg, og å prediktere en fremtidig representasjon av et objekt, fra en rekke mulige tilstander. Invers grafikk-modulen er ansvarlig for å lage representasjoner av objekter som skal mates inn i fysikk-motoren.

Invers grafikk-modulen sporer flere ulike attributter som hastighet, form og orientering av et objekt, og trekker ut denne informasjonen fra rammer av videoer. Invers grafikk-modulen fokuserer bare på de mest fremtredende detaljene, og ignorerer detaljer som ikke vil hjelpe fysikk-motoren med å tolke objektet og prediktere nye tilstander. Ved å fokusere på bare de viktigste detaljene, er modellen bedre i stand til å generalisere til nye objekter. Fysikk-motoren tar deretter disse objektbeskrivelsene og simulerer mer kompleks fysisk atferd, som fluiditet eller stivhet, for å gjøre prediksjoner om hvordan objektet skal oppføre seg.

Etter at denne inntakprosessen har funnet sted, observerer modellen den faktiske neste rammen i videoen, som den bruker til å regne ut sin sannsynlighetsfordeling med hensyn til mulige objektatferd. Overraskelsen er omvendt proporsjonal med sannsynligheten for at en hendelse skal skje, og registrerer bare stor overraskelse når det er en stor misforhold mellom hva modellen tror skal skje neste og hva som faktisk skjer neste.

Forskingsteamet trengte en måte å sammenligne overraskelsen til sin modell med overraskelsen til mennesker som observerer det samme objektatferdet. I utviklingspsykologi tester forskere ofte spedbarn ved å vise dem to ulike videoer. I den ene videoen presenteres et objekt som oppfører seg som man ville forvente objekter å gjøre i den virkelige verden, ikke spontant forsvinne eller teleportere. I den andre videoen bryter et objekt fysikkens lover på en eller annen måte. Forskingsteamet tok disse samme grunnleggende konseptene og lot 60 voksne se 64 ulike videoer av både forventet og uventet fysisk atferd. Deltagerne ble deretter bedt om å vurdere sin overraskelse ved ulike øyeblikk i videoen på en skala fra 1 til 100.

Analyse av modellens ytelse viste at den fungerte svært godt på videoer der et objekt ble flyttet bak en vegg og forsvant når vegen ble fjernet, og matchet ofte menneskenes overraskelsesnivåer i disse tilfellene. Modellen syntes også å være overrasket av videoer der mennesker ikke viste overraskelse, men kanskje burde ha gjort det. For eksempel, for at et objekt skal bevege seg bak en vegg med en gitt hastighet og umiddelbart komme ut på den andre siden av vegen, må det ha enten teleportert eller opplevd en dramatisk økning i hastighet.

Når sammenlignet med ytelsen til tradisjonelle neurale nettverk som kan lære fra observasjon, men ikke eksplisitt logger representasjonen av et objekt, fant forskerne at ADEPT-nettverket var mye mer nøyaktig til å skille mellom overraskende og ikke-overraskende scener, og at ADEPTs ytelse sammenfalt med menneskers reaksjoner nærmere.

Forskingsteamet ved MIT har som mål å gjøre mer forskning og få dypere innsikt i hvordan spedbarn observerer verden rundt seg og lærer av disse observasjonene, og inkorporere funnene i nye versjoner av ADEPT-modellen.