Покращення штучного інтелекту за допомогою фізично-інформованої комп’ютерної візії

Штучний інтелект безумовно залишив свій незмивний слід у нашому житті. У піонерській спробі ще більше покращити можливості штучного інтелекту, дослідники з UCLA та лабораторії армії США представили унікальний підхід, який поєднує фізично-інформовану обізнаність з даних-орієнтованими методами у технологіях комп’ютерної візії, що працюють на штучному інтелекті.

Дослідження, опубліковане в Nature Machine Intelligence, пропонує новаторський гібридний метод, спрямований на вдосконалення того, як обладнання, що працює на штучному інтелекті, сприймає, взаємодіє та реагує на своє оточення в реальному часі – критично важливо для автономних транспортних засобів та роботів з точними діями.

Гібридний підхід для фізично-інформованого штучного інтелекту

Традиційно, комп’ютерна візія, область, яка дозволяє штучному інтелекту зрозуміти та вивести властивості фізичного світу з зображень, в основному зосереджувалася на даних-орієнтовному машинному навчанні. Паралельно, фізично-орієнтовані дослідження намагалися розгадати фізичні принципи, що лежать в основі багатьох проблем комп’ютерної візії. Однак, включення розуміння фізики до області нейронних мереж виявилося складним.

У значному прориві, дослідження UCLA має на меті поєднати глибоке розуміння з даних та реального світу фізики, створюючи гібридний штучний інтелект з покращеними можливостями. Ачута Кадамбі, відповідальний автор дослідження та асистент-професор електротехніки та комп’ютерних наук в школі інженерії UCLA Samueli, пояснює: “Фізично-інформовані форми висновку можуть дозволити автомобілям рухатися більш безпечно або хірургічним роботам бути більш точними.”

Включення фізики до комп’ютерної візії штучного інтелекту

Дослідницька команда представляє три інноваційні способи включення фізики до комп’ютерної візії штучного інтелекту:

1. Наповнення фізики у набори даних штучного інтелекту: Це включає маркування об’єктів додатковою інформацією, такою як їхня потенційна швидкість або вага, подібно до персонажів у відеоіграх.
2. Включення фізики до архітектури мереж: Ця стратегія включає проходження даних через фільтр мережі, який кодує фізичні властивості того, що камери захоплюють.
3. Включення фізики до функції втрат мережі: Тут знання, засновані на фізиці, використовуються для допомоги штучному інтелекту у інтерпретації тренувальних даних про його спостереження.

Ці експериментальні напрямки дослідження вже дали обнадійливі результати у покращенні комп’ютерної візії. Наприклад, гібридний підхід дозволяє штучному інтелекту відстежувати та передбачати рух об’єктів більш точно і може створювати точні, високоякісні зображення з сцен, заскладених несприятливою погодою.

Майбутнє фізично-інформованого штучного інтелекту

Дослідники оптимістично налаштовані щодо того, що подальші досягнення у цьому двомодальному підході можуть привести до того, що глибокі навчальні штучні інтелекти самостійно навчаться законам фізики. Це може ознаменувати новий рубіж у технологіях комп’ютерної візії, що працюють на штучному інтелекті, відкриваючи шлях до безпечнішого та більш точного застосування штучного інтелекту у різних галузях, включаючи автономні транспортні засоби та хірургічну робототехніку.

Дослідження, підтримане частково грантом від лабораторії армії США, було співавтором комп’ютерного науковця армії США Селсо де Мело, та членами факультету UCLA Стефано Соатто, Чо-Джуї Хсіе та Мані Срівастава. Додаткове фінансування надійшло від грантів Національного наукового фонду, програми молодих дослідників армії, агентства оборонних передових дослідницьких проектів, Intrinsic, компанії Alphabet (GOOG ) (GOOGL ), та Amazon.