Förbättring av AI-drivna datorseende genom fysikmedvetenhet

Artificiell intelligens har utan tvekan lämnat ett outplånligt spår i våra liv. I en banbrytande insats för att ytterligare förbättra AI-förmågor har forskare från UCLA och US Army Research Laboratory avslöjat en unik approach som förenar fysikmedvetenhet med data-drivna tekniker i AI-drivna datorseende-teknologier.

Studien, publicerad i Nature Machine Intelligence, föreslår en banbrytande hybridmetodik som syftar till att förbättra hur AI-baserad utrustning uppfattar, interagerar och reagerar på sin omgivning i realtid – kritiskt för autonoma fordon och precision-aktion robotar.

Hybrid Approach för Fysikmedveten AI

Traditionellt har datorseende, det område som möjliggör för AI att förstå och dra slutsatser om fysiska egenskaper från bilder, i huvudsak fokuserat på data-baserad maskinlärning. Samtidigt har fysik-baserad forskning sökt att avslöja de fysiska principer som ligger till grund för många datorseende-utmaningar. Men att införliva förståelsen av fysik i området neurala nätverk har visat sig vara svårt.

I en betydande genombrott avser UCLA-studien att kombinera den djupa förståelsen från data och den verkliga världens kunskap om fysik, och skapa en hybrid-AI med förbättrade förmågor. Achuta Kadambi, studiens korresponderande författare och biträdande professor i elektroteknik och datateknik vid UCLA Samueli School of Engineering, förklarar: “Fysikmedvetna former av inferens kan möjliggöra för bilar att köra säkrare eller kirurgiska robotar att vara mer precisa.”

Införande av Fysik i Datorseende AI

Forskningsgruppen presenterar tre innovativa sätt att införa fysik i datorseende AI:

1. Införande av fysik i AI-datauppsättningar: Detta innebär att märka objekt med ytterligare information, såsom deras potentiella hastighet eller vikt, liknande tecken i videospel.
2. Integrering av fysik i nätverksarkitektur: Denna strategi innebär att köra data genom ett nätverksfilter som kodar fysiska egenskaper i det som kameror fångar.
3. Införande av fysik i nätverksförlustfunktion: Här används kunskap baserad på fysik för att hjälpa AI att tolka utbildningsdata om dess observationer.

Dessa experimentella forskningslinjer har redan producerat lovande resultat i förbättring av datorseende. Till exempel möjliggör den hybridapproach som AI kan spåra och förutsäga ett objekts rörelse mer exakt och kan producera precisa, högupplösta bilder från scener som döljs av ogynnsamt väder.

Framtiden för Fysikmedveten AI

Forskarna är optimistiska om att fortsatta framsteg i denna dubbla modalitetsapproach kan leda till att djupinlärningsbaserade AI oberoende kan lära sig fysikens lagar. Detta kan markera en ny frontier inom AI-drivna datorseende-teknologier, och bana väg för en säkrare och mer exakt AI-tillämpning inom olika sektorer, inklusive autonoma fordon och kirurgisk robotik.

Studien, som delvis stöddes av ett bidrag från Army Research Laboratory, var skriven av Arméns forskningslaboratoriums datorforskare Celso de Melo, och UCLA-fakultetsmedlemmarna Stefano Soatto, Cho-Jui Hsieh och Mani Srivastava. Ytterligare finansiering kom från bidrag från National Science Foundation, Army Young Investigator Program, Defense Advanced Research Projects Agency, Intrinsic, ett Alphabet (GOOG ) -företag, och Amazon.