Revolusjonær AI-modell forutsier 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, 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 noen 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 sensorsignaler. Ved å bruke en fenomenologisk tilnærming, unngikk forskerne å innbygge spesifikke fysiske lover i modellen, og gjorde det mulig for den å generalisere til nye fysiske fenomener den ikke tidligere hadde møtt.

Trening på 0,59 milliarder sensorsignaler fra ulike domener, har modellen vist eksepsjonell ytelse i å forutsie atferd hos fysiske systemer. Disse systemene omfatter enkle mekaniske oscillatorer og komplekse prosesser som elektriske nettverksdynamikk, og viser modellens evne til å håndtere komplekse, virkelige systemer.

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 gjorde det mulig for modellen å lære de innbygde mønsterene til ulike fysiske fenomener uten å anta noen forhåndskunnskap om de underliggende fysiske prinsippene.

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

Den Ω-rammen: En vei til universelle fysiske modeller

Kjernen i denne gjennombruddet er 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 sett 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.

Denne evnen til å generalisere kommer fra måten modellen håndterer ufullstendig eller støyende sensorsignaler, som er typisk for virkelige anvendelser. AI-modellen lærer å dekodere og rekonstruere disse signalene, og forutsier fremtidige 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 sensorsignaler til éndimensjonale patcher, som deretter blir innbeddet i en samlet latent rom. Denne innbeddingen gjør det mulig for modellen å fange de komplekse tidsmønsterene til fysiske signaler, uavhengig av sensortypen.

Downstream fenomenologiske dekodere gjør det deretter mulig for modellen å rekonstruere tidligere atferd eller forutsie fremtidige hendelser, og gjør den tilpasselig til et bredt spekter av fysiske systemer. De lette dekoderne tillater også for oppgave-spesifikke finjusteringer uten å trenere hele modellen.

Validering over diverse fysiske systemer

Forskerne utførte omfattende eksperimenter for å teste modellens generaliserings-evne. 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 ideelle kandidater for å teste modellens prediktive nøyaktighet.

AI-modellen forutså med suksess atferden til disse systemene med minimal feil, selv under kaotiske faser. Dette suksesset understreker dens potensiale for å forutsie fysiske systemer som viser ikke-lineære dynamikker.

Ytterligere eksperimenter ble utført med virkelige data, inkludert:

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

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

En av de mest spennende resultater fra denne studien er modellens null-skudd generaliserings-evne. 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 en stor datasett kan overgå modeller som er spesialisert i bestemte oppgaver. Dette gjennombruddet kan ha langtrekkende implikasjoner for AI-modellers evne til å tolke fysiske prosesser.

Implikasjoner for industrier og forskning

De potensielle anvendelsene av denne AI-grunnmodellen er enorme. Ved å muliggjøre sensortyp-uavhengige systemer, kan modellen brukes i domener hvor det er vanskelig å samle inn store, spesialiserte datasett. Evnen til å lære selvstendig 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 vitenskapelig oppdagelse. I fag som fysikk, materialvitenskap og eksperimentell forskning, hvor data ofte er kompleks og multi-dimensjonal, kan modellen akselerere analyseprosessen og tilby innsikt som tidligere var utilgjengelige 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-spesifik støy, å utforske dens ytelse på ikke-periodiske signaler, og å håndtere hjørnetilfeller hvor prediksjonene var mindre nøyaktige.

Fremtidig arbeid kan også fokusere på å utvikle mer robuste dekodere for spesifikke oppgaver, som anomali-dettekt, klassifisering eller håndtering av kanter i komplekse systemer.

Konklusjon

Innføringen av denne Fenomenologisk AI-grunnmodell for fysiske signaler markerer et nytt kapittel i AI-modellers 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 daglig teknologi. Null-skudd-læringsevnen som er demonstrert i studien åpner døren til AI-modeller som kan lære selvstendig og tilpasse seg nye utfordringer uten å kreve domene-spesifikke om-trening.

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