Yeni Teknik, Yapay Zekanın Bazı Fiziği Sezgisel Olarak Anlamasına İzin Veriyor

Yapay zeka, bir süredir takviyeli öğrenme yoluyla bir fizik anlayışı geliştirmeyi başardı, ancak yeni bir teknik MIT'deki araştırmacılar tarafından geliştirildi mühendislerin fiziğin sezgisel olarak anlaşıldığını gösteren modeller tasarlamasına yardımcı olabilir.

Psikolojik araştırmalar, insanların bir dereceye kadar fizik yasalarına ilişkin sezgisel bir anlayışa sahip olduğunu göstermiştir. Bebeklerin, nesnelerin nasıl etkileşime girmesi ve hareket etmesi gerektiğine dair beklentileri vardır ve bu beklentilerin ihlali, bebeklerin şaşkınlıkla tepki vermesine neden olur. MIT ekibi tarafından yürütülen araştırma, yalnızca yapay zekanın yeni uygulamalarını yönlendirmekle kalmayıp, aynı zamanda psikologların bebeklerin dünyayı nasıl algıladıklarını ve dünyayı nasıl öğrendiklerini anlamalarına yardımcı olma potansiyeline sahip.

MIT ekibi tarafından tasarlanan modele ADEPT adı veriliyor ve nesnelerin fiziksel bir uzayda nasıl davranması gerektiğine dair tahminler yaparak çalışıyor. Model, nesneleri gözlemler ve bunu yaparken "sürpriz" bir metriği takip eder. Beklenmeyen bir şey olursa, model sürpriz değerini artırarak yanıt verir. Bir nesnenin ışınlanması veya kaybolması gibi beklenmedik ve görünüşte imkansız eylemler, şaşkınlıkta dramatik bir artış görecek.

Araştırma ekibinin amacı, modellerinin, insanların mantıksız şekillerde davranan nesneleri gördüklerinde kaydettiği aynı şaşkınlık düzeylerini kaydetmesini sağlamaktı.

ADEPT'nin iki ana bileşeni vardır, bir fizik motoru ve bir ters grafik modülü. Fizik motoru, bir nesnenin nasıl hareket edeceğini tahmin etmekten, bir nesnenin gelecekteki temsilini bir dizi olası durumdan tahmin etmekten sorumludur. Bu arada, ters grafik modülü, fizik motoruna beslenecek nesnelerin temsillerini oluşturmaktan sorumludur.

Ters grafik modülü, bir nesnenin hızı, şekli ve yönü gibi birkaç farklı özelliği izleyerek bu bilgileri video karelerinden çıkarır. Ters grafik modülü, fizik motorunun nesneyi yorumlamasına ve yeni durumları tahmin etmesine yardımcı olmayacak ayrıntıları göz ardı ederek yalnızca en göze çarpan ayrıntılara odaklanır. Yalnızca en önemli ayrıntılara odaklanan model, yeni nesnelere daha iyi genellenebilir. Fizik motoru daha sonra bu nesne tanımlarını alır ve nesnenin nasıl davranması gerektiğine dair tahminlerde bulunmak için akışkanlık veya katılık gibi daha karmaşık fiziksel davranışları simüle eder.

Bu alım süreci gerçekleştikten sonra model, olası nesne davranışlarına göre olasılık dağılımını yeniden hesaplamak için kullandığı videodaki asıl sonraki kareyi gözlemler. Sürpriz, bir olayın meydana gelme olasılığı ile ters orantılıdır, yalnızca modelin bundan sonra olması gerektiğine inandığı şey ile gerçekte bundan sonra olan şey arasında büyük bir uyumsuzluk olduğunda büyük bir sürpriz kaydeder.

Araştırma ekibinin, modellerinin şaşkınlığı ile aynı nesne davranışını gözlemleyen insanların şaşkınlığını karşılaştırmak için bir yola ihtiyacı vardı. Gelişim psikolojisinde, araştırmacılar genellikle bebekleri iki farklı video göstererek test ederler. Bir videoda, nesnelerin kendiliğinden kaybolması veya ışınlanması değil, gerçek dünyadaki nesnelerden beklediğiniz gibi davranan bir nesne sunulur. Diğer videoda ise nesne bir şekilde fizik yasalarını ihlal ediyor. Araştırma ekibi aynı temel kavramları aldı ve 60 yetişkine hem beklenen hem de beklenmedik fiziksel davranışların 64 farklı videosunu izletti. Daha sonra katılımcılardan videodaki çeşitli anlardaki şaşkınlıklarını 1'den 100'e kadar bir ölçekte derecelendirmeleri istendi.

Modelin performansının analizi, bir nesnenin duvarın arkasına taşındığı ve duvar kaldırıldığında ortadan kaybolduğu videolarda oldukça iyi performans gösterdiğini ve bu durumlarda genellikle insanların şaşkınlık seviyelerine denk geldiğini göstermiştir. Model ayrıca, insanların şaşkınlık göstermediği ancak muhtemelen göstermesi gereken videolarda da şaşırmış gibi görünmektedir. Örneğin, bir nesnenin belirli bir hızda duvarın arkasına hareket edip hemen duvarın diğer tarafına çıkabilmesi için ya ışınlanmış ya da hızında önemli bir artış yaşamış olması gerekir.

Araştırmacılar, gözlemden öğrenebilen ancak bir nesnenin temsilini açıkça günlüğe kaydetmeyen geleneksel sinir ağlarının performansıyla karşılaştırıldığında, ADEPT ağının şaşırtıcı ve şaşırtıcı olmayan sahneler arasında ayrım yapmada çok daha doğru olduğunu ve ADEPT'nin performansının uyumlu olduğunu buldu. insan tepkileri daha yakından

MIT araştırma ekibi, daha fazla araştırma yapmayı ve bebeklerin çevrelerindeki dünyayı nasıl gözlemlediklerini ve bu gözlemlerden öğrendiklerini ADEPT modelinin yeni sürümlerine dahil ederek nasıl öğrendiklerini daha derinden kavramayı hedefliyor.