Революционная модель ИИ предсказывает физические системы без предварительных знаний

Недавнее исследование ученых из Archetype AI представило пионерскую модель ИИ, способную обобщать различные физические сигналы и явления, что означает значительный шаг вперед в области искусственного интеллекта. Статья, озаглавленная “Феноменологическая модель ИИ для физических сигналов,“ предлагает новый подход к созданию единой модели ИИ, которая может предсказывать и интерпретировать физические процессы из различных областей, все без предварительных знаний лежащих в основе физических законов.

Новый подход к ИИ для физических систем

Исследование направлено на разработку основной модели ИИ, которая может обрабатывать физические сигналы из широкого спектра систем, включая электрические токи, потоки жидкостей и данные оптических датчиков. Приняв феноменологический подход, исследователи избежали встраивания конкретных физических законов в модель, что позволило ей обобщать на новые физические явления, с которыми она ранее не сталкивалась.

Обученная на 0,59 миллиарда измерений датчиков из различных областей, модель продемонстрировала исключительную производительность в предсказании поведения физических систем. Эти системы варьируются от простых механических колебаний до сложных процессов, таких как динамика электрических сетей, демонстрируя универсальность модели.

Феноменологическая модель ИИ

Подход исследования основан на феноменологической модели. В отличие от традиционных моделей ИИ, которые полагаются на предварительно определенные индуктивные предубеждения (например, законы сохранения), исследователи обучили свою модель ИИ исключительно на наблюдаемых данных с датчиков. Это позволяет модели учиться внутренним закономерностям различных физических явлений без предположения каких-либо предварительных знаний лежащих в основе физических принципов.

Сосредоточившись на физических величинах, таких как температура, электрический ток и крутящий момент, модель смогла обобщать на различные типы датчиков и системы, открывая дверь к применению в отраслях, начиная от управления энергией и заканчивая передовыми научными исследованиями.

Модель Ω: Путь к универсальным физическим моделям

В основе этого прорыва лежит модель Ω, структурированная методология, разработанная исследователями для создания моделей ИИ, которые могут выводить и предсказывать физические процессы. В этой модели все физические процессы представлены как наборы наблюдаемых величин. Вызов создания универсальной модели заключается в том, что не все возможные физические величины можно измерить или включить в обучение. Несмотря на это, модель Ω позволяет модели выводить поведение в новых системах на основе данных, с которыми она столкнулась.

Эта способность обобщать возникает из того, как модель обрабатывает неполные или шумные данные датчиков, что типично для реальных приложений. ИИ учится декодировать и восстанавливать эти сигналы, предсказывая будущее поведение с впечатляющей точностью.

Архитектура на основе трансформеров для физических сигналов

Архитектура модели основана на трансформерных сетях, обычно используемых в обработке естественного языка, но теперь применяемых к физическим сигналам. Эти сети преобразуют данные датчиков в одномерные фрагменты, которые затем встраиваются в единое латентное пространство. Это встраивание позволяет модели захватить сложные временные закономерности физических сигналов, независимо от конкретного типа датчика.

Дальнейшие феноменологические декодеры затем позволяют модели восстанавливать прошедшее поведение или предсказывать будущие события, делая ее адаптируемой к широкому спектру физических систем. Легкие декодеры также позволяют выполнять тонкую настройку для конкретных задач без повторного обучения всей модели.

Валидация на различных физических системах

Исследователи провели обширные эксперименты, чтобы проверить способность модели к обобщению. В одном наборе тестов модель была оценена на гармоническом осцилляторе с пружиной и массой и термоэлектрической системе. Обе системы были хорошо известны своими хаотическими или сложными поведениями, что делало их идеальными кандидатами для проверки предсказательной точности модели.

ИИ успешно спрогнозировал поведение этих систем с минимальной ошибкой, даже во время хаотических фаз. Этот успех подчеркивает ее потенциал для предсказания физических систем, которые демонстрируют нелинейную динамику.

Дальнейшие эксперименты были проведены с использованием реальных данных, включая:

• Потребление электроэнергии в различных странах.
• Колебания температуры в Мельбурне, Австралия.
• Данные температуры масла из электрических трансформаторов.

В каждом случае модель превзошла традиционные, специфичные для области модели, демонстрируя свою способность обрабатывать сложные, реальные системы.

Обобщение без предварительного обучения и универсальность

Одним из наиболее интересных результатов этого исследования является способность модели к обобщению без предварительного обучения. ИИ мог предсказывать поведение в системах, с которыми он не сталкивался во время обучения, таких как термоэлектрическое поведение и динамика электрических трансформаторов, с высокой точностью.

Эта способность отражает достижения, наблюдаемые в моделях естественного языка, таких как GPT-4, где одна модель, обученная на огромном наборе данных, может превзойти модели, специализированные в конкретных задачах. Этот прорыв может иметь далеко идущие последствия для способности ИИ интерпретировать физические процессы.

Последствия для отраслей и исследований

Потенциальные применения этой основной модели ИИ огромны. Позволяя системам, независимым от датчиков, модель может быть использована в областях, где сбор больших, специализированных наборов данных является сложным. Ее способность учиться автономно из наблюдаемых данных может привести к разработке самообучающихся систем ИИ, которые адаптируются к новым средам без вмешательства человека.

Кроме того, эта модель имеет значительный потенциал для научных открытий. В областях, таких как физика, материаловедение и экспериментальные исследования, где данные часто сложны и многомерны, модель может ускорить процесс анализа, предлагая идеи, которые ранее были недоступны с помощью традиционных методов.

Будущие направления

Хотя модель представляет собой значительный шаг вперед в области ИИ для физических систем, исследование также определяет области для дальнейших исследований. К ним относятся усовершенствование обработки модели шумных данных датчиков, изучение ее производительности на неperiodических сигналах и решение крайних случаев, где предсказания были менее точными.

Будущая работа также может сосредоточиться на разработке более прочных декодеров для конкретных задач, таких как обнаружение аномалий, классификация или обработка крайних случаев в сложных системах.

Заключение

Введение этой Феноменологической модели ИИ для физических сигналов знаменует новую главу в способности ИИ понимать и предсказывать физический мир. С ее способностью обобщать на широкий спектр явлений и типов датчиков, эта модель может трансформировать отрасли, научные исследования и даже повседневные технологии. Способность к обобщению без предварительного обучения, продемонстрированная в исследовании, открывает дверь к моделям ИИ, которые могут автономно учиться и адаптироваться к новым задачам, не требуя предварительного обучения для конкретной области.

Это новаторское исследование, возглавляемое Archetype AI, вероятно, окажет долгосрочное влияние на то, как ИИ применяется к физическим системам, революционизируя области, которые полагаются на точные и масштабируемые предсказания.