Revolusjonerende AI-modell forutser fysiske systemer uten forhåndskunnskap

En nylig studie utført av forskere fra Archetype AI har avdekket en banebrytende AI-modell som kan generalisere over diverse fysiske signaler og fenomener, og markerer et betydelig skritt fremover i feltet kunstig intelligens. Artikkelen, med tittelen “En fenomenologisk AI-grunnmodell for fysiske signaler,“ foreslår en ny tilnærming til å bygge en samlet AI-modell som kan forutsie og tolke fysiske prosesser fra ulike domener, uten forhåndskunnskap om de underliggende fysiske lovene.

En ny tilnærming til AI for fysiske systemer

Studien har som mål å utvikle en AI-grunnmodell som kan håndtere fysiske signaler fra et bredt spekter av systemer, inkludert elektriske strømmer, fluidstrømmer og optiske sensorsignal. Ved å bruke en fenomenologisk tilnærming, unngikk forskerne å innbygge spesifikke fysiske lover i modellen, og tillot den å generalisere til nye fysiske fenomener den ikke tidligere hadde møtt.

Trenet på 0,59 milliarder sensorsignal fra ulike domener, har modellen demonstrert eksepsjonell ytelse i å forutsie atferd av fysiske systemer. Disse systemene omfatter enkle mekaniske oscillatorer og komplekse prosesser som elektriske nettverksdynamikk, og viser modellens fleksibilitet.

En fenomenologisk AI-ramme

Studiens tilnærming er basert på en fenomenologisk ramme. I motsetning til tradisjonelle AI-modeller som er avhengige av forhåndskunnskap (som bevaringslover), trenet forskerne sin AI utelukkende på observasjonsdata fra sensorer. Dette tillot modellen å lære de innbygde mønsterene av ulike fysiske fenomener uten å anta noen forhåndskunnskap om de styrende fysiske prinsippene.

Ved å fokusere på fysiske størrelser som temperatur, elektrisk strøm og dreiemoment, kunne modellen generalisere over ulike sensortyper og systemer, og åpner døren for anvendelser i industrier som spenner fra energistyring til avansert vitenskapelig forskning.

Den Ω-rammen: En vei til universelle fysiske modeller

I kjernen av denne gjennombruddet ligger den Ω-rammen, en strukturert metode utviklet av forskerne for å skape AI-modeller som kan slutte og forutsie fysiske prosesser. I denne rammen representeres alle fysiske prosesser som mengder av observerbare størrelser. Utfordringen med å bygge en universell modell ligger i det faktum at ikke alle mulige fysiske størrelser kan måles eller inkluderes i trening. Likevel tillater Ω-rammen modellen å slutte atferd i nye systemer basert på data den har møtt.

Evnen til å generalisere kommer fra måten modellen håndterer ufullstendig eller støyende sensorsignal, som er typisk for virkelige anvendelser. AI-modellen lærer å dekodere og rekonstruere disse signalene, og forutsier fremtidig atferd med imponerende nøyaktighet.

Transformer-basert arkitektur for fysiske signaler

Modellens arkitektur er basert på transformer-nettverk, vanligvis brukt i naturlig språkbehandling, men nå brukt på fysiske signaler. Disse nettverkene transformerer sensorsignal til éndimensjonale patcher, som deretter innbeddes i et samlet latent rom. Denne innbeddingen tillater modellen å fange de komplekse tidsmønstrene av fysiske signaler, uavhengig av den spesifikke sensortypen.

Downstream fenomenologiske dekodere muliggjør deretter at modellen kan rekonstruere tidligere atferd eller forutsie fremtidige hendelser, og gjør den tilpassbar til et bredt spekter av fysiske systemer. De lette dekodeerne tillater også for oppgave-spesifikke finjusteringer uten å måtte trene hele modellen på nytt.

Validering over diverse fysiske systemer

Forskerne utførte omfattende eksperimenter for å teste modellens generaliseringskapasitet. I en rekke tester ble modellen evaluert på en harmonisk oscillator og et termoelektrisk system. Begge systemer var kjent for sine kaotiske eller komplekse atferd, og gjorde dem til ideelle kandidater for å teste modellens forutsigelsesnøyaktighet.

AI-modellen forutså med suksess atferden til disse systemene med minimal feil, selv under kaotiske faser. Dette suksesset høydepunkter modellens potensiale for å forutsie fysiske systemer som viser ikke-lineær dynamikk.

Ytterligere eksperimenter ble utført med reell verdensdata, inkludert:

• Elektrisk kraftforbruk i ulike land.
• Temperaturvariasjoner i Melbourne, Australia.
• Oljetemperaturdata fra elektriske transformatorer.

I hver enkelt tilfelle overgikk modellen tradisjonelle, domenespesifikke modeller, og demonstrerte sin evne til å håndtere komplekse, reelle systemer.
<h2 Null-skudd generalisering og fleksibilitet

En av de mest spennende resultater av denne studien er modellens null-skudd generaliseringskapasitet. AI-modellen kunne forutsie atferd i systemer den aldri hadde møtt under trening, som termoelektrisk atferd og elektrisk transformator-dynamikk, med en høy grad av nøyaktighet.

Denne evnen speiler de resultater som er sett i naturlige språkmodeller, som GPT-4, hvor en enkelt modell trent på et stort datasett kan overgå modeller som er spesialisert i bestemte oppgaver. Dette gjennombruddet kan ha langtrekkende implikasjoner for AI-modellens evne til å tolke fysiske prosesser.

Implikasjoner for industrier og forskning

De potensielle anvendelsene av denne AI-grunnmodellen er enorme. Ved å muliggjøre sensortolerante systemer, kan modellen brukes i domener hvor det er vanskelig å samle inn store, spesialiserte datasett. Evnen til å lære autonomt fra observasjonsdata kan føre til utviklingen av selvlærende AI-systemer som tilpasser seg nye miljøer uten menneskelig inngripen.

I tillegg har denne modellen betydelig potensiale for vitenskapelige oppdagelser. I fag som fysikk, materialvitenskap og eksperimentell forskning, hvor data ofte er kompleks og multidimensjonal, kan modellen akselerere analysen, og tilby innsikt som tidligere var utilgjengelig med tradisjonelle metoder.

Fremtidige retninger

Selv om modellen representerer et betydelig skritt fremover i AI for fysiske systemer, identifiserer studien også områder for videre forskning. Disse inkluderer å forbedre modellens håndtering av sensor-spesifikt støy, å utforske dens ytelse på ikke-periodiske signaler, og å håndtere hjørnetilfeller hvor forutsigelsene var mindre nøyaktige.

Fremtidig arbeid kan også fokusere på å utvikle mer robuste dekodere for spesifikke oppgaver, som avviksdeteksjon, klassifisering eller håndtering av komplekse systemer.

Konklusjon

Innføringen av denne Fenomenologisk AI-grunnmodell for fysiske signaler markerer et nytt kapittel i AI-modellens evne til å forstå og forutsie den fysiske verden. Med sin evne til å generalisere over et bredt spekter av fenomener og sensortyper, kan denne modellen transformere industrier, vitenskapelig forskning og selv daglig teknologi. Den null-skudd-læringsevnen som er demonstrert i studien åpner døren for AI-modeller som kan lære og tilpasse seg nye utfordringer uten å måtte trene på nytt.

Dette banebrytende forskningen, ledet av Archetype AI, er sannsynligvis å ha varige impakt på hvordan AI brukes i fysiske systemer, og kan revolusjonere fag som er avhengige av nøyaktige og skalerbare forutsigelser.