Revolutionerande AI-modell förutsäger fysiska system utan fördefinierad kunskap

En nyligen publicerad studie av forskare från Archetype AI har avslöjat en banbrytande AI-modell som kan generalisera över olika fysiska signaler och fenomen, vilket markerar ett betydande steg framåt inom området för artificiell intelligens. Artikeln, med titeln “En fenomenologisk AI-grundmodell för fysiska signaler,“ föreslår en ny approach för att bygga en enhetlig AI-modell som kan förutsäga och tolka fysiska processer från olika domäner, allt utan föregående kunskap om de underliggande fysiska lagarna.

En ny approach till AI för fysiska system

Studien syftar till att utveckla en AI-grundmodell som kan hantera fysiska signaler från en bred range av system, inklusive elektriska strömmar, fluidflöden och optiska sensordata. Genom att anta en fenomenologisk approach undvek forskarna att införa specifika fysiska lagar i modellen, vilket möjliggör att den kan generalisera till nya fysiska fenomen som den inte tidigare har mött.

Tränad på 0,59 miljarder sensoravläsningar från olika domäner har modellen visat exceptionell prestanda i att förutsäga beteenden hos fysiska system. Dessa system sträcker sig från enkla mekaniska oscillatorer till komplexa processer som elektriska nätverksdynamik, vilket visar modellens flexibilitet.

En fenomenologisk AI-ram

Studiens approach är grundad i en fenomenologisk ram. Till skillnad från traditionella AI-modeller som förlitar sig på fördefinierade induktiva bias (såsom bevarandelagar), tränade forskarna sin AI enbart på observationsdata från sensorer. Detta tillåter modellen att lära sig de inre mönstren hos olika fysiska fenomen utan att anta någon föregående kunskap om de styrande fysiska principerna.

Genom att fokusera på fysiska storheter som temperatur, elektrisk ström och vridmoment kunde modellen generalisera över olika sensortyper och system, vilket öppnar dörren till tillämpningar inom områden som energihantering och avancerad vetenskaplig forskning.

Ω-ramen: En väg till universella fysiska modeller

I centrum av denna genombrott ligger Ω-ramen, en strukturerad metodik som utvecklats av forskarna för att skapa AI-modeller som kan härleda och förutsäga fysiska processer. I denna ram representeras alla fysiska processer som uppsättningar av observerbara storheter. Utmaningen med att bygga en universell modell ligger i det faktum att inte alla möjliga fysiska storheter kan mätas eller ingå i träningsdata. Trots detta tillåter Ω-ramen modellen att härleda beteenden i nya system baserat på de data den har mött.

Denna förmåga att generalisera kommer från hur modellen hanterar ofullständig eller brusig sensordata, vilket är typiskt för verkliga tillämpningar. AI:n lär sig att avkoda och rekonstruera dessa signaler, förutsägande framtida beteenden med imponerande noggrannhet.

Transformer-baserad arkitektur för fysiska signaler

Modellens arkitektur är baserad på transformer-nätverk, vanligtvis använda i naturlig språkbehandling men nu tillämpade på fysiska signaler. Dessa nätverk transformerar sensordata till en-dimensionella patchar, som sedan infogas i ett enhetligt latentspace. Denna infogning tillåter modellen att fånga de komplexa tidsmässiga mönstren hos fysiska signaler, oavsett specifik sensortyp.

Downstream fenomenologiska avkodare möjliggör sedan för modellen att rekonstruera tidigare beteende eller förutsäga framtida händelser, vilket gör den anpassningsbar till en bred range av fysiska system. De lätta avkodarna tillåter också för uppgiftsspecifik finjustering utan att behöva träna om hela modellen.

Validering över olika fysiska system

Forskarna genomförde omfattande experiment för att testa modellens generaliseringsförmåga. I en uppsättning tester utvärderades modellen på en harmonisk oscillator och ett termoelektriskt system. Båda systemen var välkända för sina kaotiska eller komplexa beteenden, vilket gjorde dem idealiska för att testa modellens förutsägelse noggrannhet.

AI:n förutsåg med framgång beteendet hos dessa system med minimal fel, även under kaotiska faser. Denna framgång belyser dess potential för att förutsäga fysiska system som uppvisar icke-linjära dynamiska beteenden.

Ytterligare experiment genomfördes med verkliga data, inklusive:

• Elektrisk effekt förbrukning i olika länder.
• Temperatur variationer i Melbourne, Australien.
• Olje temperatur data från elektriska transformatorer.

I varje fall presterade modellen bättre än traditionella, domänspecifika modeller, vilket visar dess förmåga att hantera komplexa, verkliga system.

Noll-skott generalisering och flexibilitet

En av de mest spännande resultaten från denna studie är modellens noll-skott generaliseringsförmåga. AI:n kunde förutsäga beteenden i system den aldrig hade mött under träning, som termoelektriskt beteende och elektrisk transformator dynamik, med hög noggrannhet.

Denna förmåga speglar de framgångar som ses i naturliga språkmodeller, som GPT-4, där en enda modell tränad på en stor dataset kan prestera bättre än modeller specialiserade på specifika uppgifter. Detta genombrott kan ha långtgående implikationer för AI:s förmåga att tolka fysiska processer.

Implikationer för industrier och forskning

De potentiella tillämpningarna av denna AI-grundmodell är omfattande. Genom att möjliggöra sensortoleranta system kan modellen användas inom domäner där insamling av stora, specialiserade dataset är svårt. Dess förmåga att lära sig autonomt från observationsdata kan leda till utvecklingen av självlärande AI-system som anpassar sig till nya miljöer utan mänskligt ingripande.

Dessutom har denna modell stor potential för vetenskaplig upptäckt. Inom områden som fysik, materialvetenskap och experimentell forskning, där data ofta är komplex och multi-dimensionell, kan modellen accelerera analysprocessen, erbjuda insikter som tidigare var otillgängliga med traditionella metoder.

Framtida riktningar

Medan modellen representerar ett betydande steg framåt inom AI för fysiska system, identifierar studien också områden för ytterligare forskning. Dessa inkluderar att förbättra modellens hantering av sensor-specifik brus, undersöka dess prestanda på icke-periodiska signaler och hantera hörnfall där förutsägelserna var mindre exakta.

Framtida arbete kan också fokusera på att utveckla mer robusta avkodare för specifika uppgifter, som avvikelse upptäckt, klassificering eller hantering av gränsfall i komplexa system.

Slutsats

Införandet av denna Fenomenologiska AI-grundmodell för fysiska signaler markerar ett nytt kapitel i AI:s förmåga att förstå och förutsäga den fysiska världen. Med dess förmåga att generalisera över en bred range av fenomen och sensortyper kan denna modell förvandla industrier, vetenskaplig forskning och till och med vardagsteknologier. Den noll-skott inlärningsförmåga som demonstreras i studien öppnar dörren till AI-modeller som kan lära sig autonomt och anpassa sig till nya utmaningar, utan att kräva domänspecifik omträning.

Denna banbrytande forskning, ledd av Archetype AI, kommer troligen att ha bestående effekter på hur AI tillämpas på fysiska system, revolutionerande områden som förlitar sig på precisa och skalbara förutsägelser.