Rewolucyjny model AI przewiduje systemy fizyczne bez wstępnej wiedzy

Ostatnie badanie przeprowadzone przez naukowców z Archetype AI ujawniło przełomowy model AI, który może generalizować różne sygnały fizyczne i zjawiska, co stanowi znaczący krok naprzód w dziedzinie sztucznej inteligencji. Artykuł, zatytułowany “Fenomenologiczny model AI dla sygnałów fizycznych,“ proponuje nowe podejście do budowy zjednoczonego modelu AI, który może przewidywać i interpretować procesy fizyczne z różnych dziedzin, wszystko bez wstępnej wiedzy o podstawowych prawach fizyki.

Nowe podejście do AI dla systemów fizycznych

Badanie ma na celu opracowanie modelu AI, który może obsługiwać sygnały fizyczne z szerokiego zakresu systemów, w tym prądy elektryczne, przepływy cieczy i dane z czujników optycznych. Poprzez przyjęcie fenomenologicznego podejścia, naukowcy uniknęli wbudowania konkretnych praw fizyki w model, co pozwoliło mu generalizować do nowych zjawisk fizycznych, których wcześniej nie spotkał.

Wytrenowany na 0,59 miliardzie pomiarów czujników z różnych dziedzin, model wykazał wyjątkową wydajność w przewidywaniu zachowań systemów fizycznych. Systemy te obejmują proste oscylatory mechaniczne i złożone procesy, takie jak dynamika sieci elektrycznej, co pokazuje wszechstronność modelu.

Fenomenologiczny model AI

Podejście badania opiera się na fenomenologicznej ramie. W przeciwieństwie do tradycyjnych modeli AI, które opierają się na wstępnie określonych uprzedzeniach (takich jak prawa zachowania), naukowcy wytrenowali swój model AI wyłącznie na danych obserwacyjnych z czujników. Pozwoliło to modelowi nauczyć się wewnętrznych wzorców różnych zjawisk fizycznych bez założenia wstępnej wiedzy o rządzących zasadach fizyki.

Poprzez koncentrowanie się na wielkościach fizycznych, takich jak temperatura, prąd elektryczny i moment obrotowy, model mógł generalizować na różne typy czujników i systemów, otwierając drzwi do zastosowań w branżach od zarządzania energią do zaawansowanych badań naukowych.

Rama Ω: Ścieżka do powszechnych modeli fizycznych

W centrum tego przełomu leży rama Ω, ustrukturyzowana metodyka opracowana przez naukowców do tworzenia modeli AI, które mogą wnioskować i przewidywać procesy fizyczne. W tej ramie wszystkie procesy fizyczne są reprezentowane jako zestawy obserwowalnych wielkości. Wyzwaniem budowy uniwersalnego modelu jest fakt, że nie wszystkie możliwe wielkości fizyczne mogą być mierzone lub uwzględnione w treningu. Mimo to, rama Ω pozwala modelowi wnioskować zachowania w nowych systemach na podstawie danych, których spotkał.

Ta zdolność do generalizacji wynika z tego, jak model radzi sobie z niekompletnymi lub szumowymi danymi z czujników, co jest typowe dla aplikacji w świecie rzeczywistym. AI uczy się dekodować i odtwarzać te sygnały, przewidując przyszłe zachowania z imponującą dokładnością.

Architektura oparta na transformatorach dla sygnałów fizycznych

Architektura modelu opiera się na sieciach transformatorowych, powszechnie stosowanych w przetwarzaniu języka naturalnego, ale teraz zastosowanych do sygnałów fizycznych. Sieci te transformują dane z czujników w jednowymiarowe fragmenty, które są następnie osadzane w zunifikowanym przestrzeni latentnej. To osadzanie pozwala modelowi przechwytywać złożone wzorce czasowe sygnałów fizycznych, niezależnie od konkretnego typu czujnika.

Późniejsze dekodery fenomenologiczne umożliwiają modelowi odtworzenie poprzedniego zachowania lub przewidzenie przyszłych zdarzeń, co sprawia, że jest on dostosowywany do szerokiego zakresu systemów fizycznych. Lekkie dekodery pozwalają również na dostosowanie do konkretnych zadań bez potrzeby ponownego trenowania całego modelu.

Walidacja w różnych systemach fizycznych

Naukowcy przeprowadzili obszerne eksperymenty, aby przetestować możliwości generalizacji modelu. W jednym zestawie testów model został oceniony na sprężynowo-masowym oscylatorze harmonicznym i układzie termoelektrycznym. Obie systemy były dobrze znane ze swoich chaotycznych lub złożonych zachowań, co czyniło je idealnymi kandydatami do testowania dokładności przewidywań modelu.

AI pomyślnie przewidział zachowanie tych systemów z minimalnym błędem, nawet podczas chaotycznych faz. Ten sukces podkreśla jego potencjał do przewidywania systemów fizycznych, które wykazują nieliniową dynamikę.

Dalsze eksperymenty zostały przeprowadzone przy użyciu rzeczywistych danych, w tym:

• Zużycie energii elektrycznej w różnych krajach.
• Wariacje temperatury w Melbourne, Australia.
• Dane temperatury oleju z transformatorów elektrycznych.

W każdym przypadku model przewyższył tradycyjne, specyficzne dla dziedziny modele, demonstrując swoją zdolność do radzenia sobie z złożonymi, rzeczywistymi systemami.

Generalizacja zero-shot i wszechstronność

Jednym z najbardziej ekscytujących wyników tego badania jest zdolność modelu do generalizacji zero-shot. AI mógł przewidzieć zachowania w systemach, których nie spotkał podczas treningu, takich jak zachowanie termoelektryczne i dynamika transformatorów elektrycznych, z wysokim stopniem dokładności.

Ta zdolność przypomina osiągnięcia widoczne w modelach języka naturalnego, takich jak GPT-4, gdzie jeden model wytrenowany na ogromnym zbiorze danych może przewyższyć modele specjalizujące się w konkretnych zadaniach. Ten przełom może mieć dalekosiężne implikacje w zdolności AI do interpretowania procesów fizycznych.

Implikacje dla branż i badań

Potencjalne zastosowania tego modelu AI są ogromne. Poprzez umożliwienie systemów niezależnych od czujników, model może być stosowany w dziedzinach, w których zbieranie dużych, specyficznych zbiorów danych jest trudne. Jego zdolność do samodzielnego uczenia się z danych obserwacyjnych może prowadzić do rozwoju samouczących się systemów AI, które adaptują się do nowych środowisk bez interwencji człowieka.

Ponadto, ten model ma znaczący potencjał dla odkryć naukowych. W dziedzinach takich jak fizyka, nauka o materiałach i badania eksperymentalne, gdzie dane są często złożone i wielowymiarowe, model mógłby przyspieszyć proces analizy, oferując spostrzeżenia, które wcześniej były niedostępne z tradycyjnymi metodami.

Przyszłe kierunki

Chociaż model reprezentuje znaczący postęp w AI dla systemów fizycznych, badanie identyfikuje również obszary wymagające dalszych badań. Obejmują one udoskonalenie obsługi przez model szumu specyficznego dla czujników, eksplorację jego wydajności na sygnałach nieperiodycznych oraz rozwiązywanie przypadków, w których przewidywania były mniej dokładne.

Przyszłe prace mogą również koncentrować się na opracowaniu bardziej wytrzymałych dekoderów dla konkretnych zadań, takich jak wykrywanie anomalii, klasyfikacja lub obsługa przypadków granicznych w złożonych systemach.

Podsumowanie

Wprowadzenie tego Fenomenologicznego modelu AI dla sygnałów fizycznych oznacza nowy rozdział w zdolności AI do zrozumienia i przewidywania świata fizycznego. Z jego możliwością generalizacji na szeroki zakres zjawisk i typów czujników, ten model może przekształcić branże, badania naukowe i nawet codzienne technologie. Zdolność do nauki zero-shot, wykazana w badaniu, otwiera drzwi do modeli AI, które mogą samodzielnie uczyć się i adaptować do nowych wyzwań, bez potrzeby specyficznego dla dziedziny ponownego trenowania.

To przełomowe badanie, prowadzone przez Archetype AI, ma szansę na trwały wpływ na to, jak AI jest stosowana w systemach fizycznych, rewolucjonizując dziedziny, które polegają na dokładnych i skalowalnych przewidywaniach.