Yeni Teknik, Yapay Zekanın Fiziksel Anlayışını Geliştiriyor

Yapay zeka, pekiştirme öğrenimi yoluyla fiziksel olayları anlamlandırmaya uzun süredir sahip, ancak MIT araştırmacıları tarafından geliştirilen yeni bir teknik, mühendislerin fiziksel olayları daha iyi anlayabilen modeller tasarlamalarına yardımcı olabilir.

Psikolojik araştırmalar, insanların fiziksel olayları belirli bir düzeyde anlayabildiğini göstermiştir. Bebekler, nesnelerin nasıl etkileşime gireceğini ve hareketlerini bekler ve bu beklentilerin ihlali, şaşkınlıkla karşılık verir. MIT ekibinin yaptığı araştırma, yalnızca yeni yapay zeka uygulamalarına yol açmakla kalmaz, aynı zamanda psikologların bebeklerin dünyayı nasıl algıladıklarını ve bu algıları nasıl öğrendiklerini anlamalarına da yardımcı olabilir.

MIT ekibi tarafından tasarlanan model, ADEPT olarak adlandırılır ve fiziksel bir alanda nesnelerin nasıl davranacağını tahmin ederek çalışır. Model, nesneleri观lemler ve “şaşkınlık” ölçüsünü takip eder. Beklenmedik bir şey olduğunda, model şaşkınlık değerini artırır. Bir nesnenin teleport edilmesi veya tamamen kaybolması gibi beklenmedik ve imkansız gibi görünen eylemler, şaşkınlıkta önemli bir artışa neden olur.

Araştırma ekibinin amacı, modelin insanlarda görülen şaşkınlık seviyelerine ulaşmasını sağlamaktı.

ADEPT’nin iki ana bileşeni vardır: fiziksel motor ve ters grafik modülü. Fiziksel motor, bir nesnenin nasıl hareket edeceğini tahmin etmekten sorumludur ve nesnenin gelecekteki temsilini, olası durumların birçoğundan tahmin eder. Ters grafik modülü, fiziksel motora girdi olarak kullanılacak nesne temsilini oluşturmakla sorumludur.

Ters grafik modülü, nesnenin hızını, şeklini ve yönünü gibi çeşitli özelliklerini takip eder ve video karelerinden bu bilgileri çıkarır. Ters grafik modülü, yalnızca fiziksel motora yardımcı olan en önemli ayrıntılara odaklanır ve fiziksel motora yardımcı olmayan ayrıntıları görmezden gelir. Bu şekilde, model yeni nesnelere daha iyi genellemeler yapabilir. Fiziksel motor, nesne tanımlarını alır ve daha karmaşık fiziksel davranışlar gibi sıvılık veya sertlik gibi davranışları simüle ederek nesnenin nasıl davranacağını tahmin eder.

Bu girdi işlemi之后, model gerçek sonraki video karesini观lemler ve olası nesne davranışlarına ilişkin olasılık dağılımını yeniden hesaplar. Şaşkınlık, bir olayın meydana gelme olasılığına ters orantılıdır ve yalnızca büyük bir uyumsuzluk olduğunda, yani modelin beklediği şeyin gerçekleşmediğinde büyük bir şaşkınlık oluşur.

Araştırma ekibi, modelin şaşkınlığını insanların şaşkınlığıyla karşılaştırmak için bir yol bulmak zorundaydı. Gelişimsel psikolojide, araştırmacılar thường bebeklere iki farklı video gösterir. Bir videoda, bir nesne beklenen şekilde davranır, diğer videoda ise nesne fiziksel yasaları ihlal eder. Araştırma ekibi, bu temel kavramları aldı ve 60 yetişkinin 64 farklı videoda beklenen ve beklenmedik fiziksel davranışları izlemesini sağladı. Katılımcılardan, videodaki çeşitli anlarda şaşkınlıklarını 1-100 arasında değerlendirmeleri istendi.

Modelin performansı, nesnenin bir duvarın arkasına hareket ettiği ve duvar kaldırıldığında görünmez olduğu videolarda insan şaşkınlık seviyelerine oldukça iyi bir şekilde ulaştığını gösterdi. Model, insanların şaşkınlık göstermediği ancak göstermeleri gerektiği videolarda da şaşkınlık gösterdi. Örneğin, bir nesnenin bir duvarın arkasına belirli bir hızda hareket etmesi ve hemen diğer tarafında görünmesi için, ya teleport olması ya da hızında önemli bir artış olması gerekir.

Geleneksel sinir ağlarına kıyasla, ADEPT ağı, şaşırtıcı ve şaşırtıcı olmayan sahneleri ayırt etmekte daha doğru olduğunu ve insan tepkilerine daha yakın bir şekilde uyduğunu gösterdi.

MIT araştırma ekibi, bebeklerin dünyayı nasıl gözlemlediklerini ve bu gözlemlerden neler öğrendiklerini daha derin bir şekilde anlamak için daha fazla araştırma yapmayı ve ADEPT modelinin yeni sürümlerine bulgularını entegre etmeyi hedefliyor.