Удосконалення комп’ютерного зору на основі ШІ завдяки врахуванню фізичних закономірностей

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 урахування фізичних закономірностей із методами на основі даних у технологіях комп’ютерного зору, 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’ютерний зір, область, яка дозволяє штучному інтелекту зрозуміти та вивести властивості фізичного світу з зображень, в основному зосереджувалася на машинному навчанні на основі даних. Паралельно, фізично-орієнтовані дослідження намагалися розгадати фізичні принципи, що лежать в основі багатьох проблем комп’ютерного зору. Однак, включення розуміння фізики до області нейронних мереж виявилося складним.

У значному прориві, дослідження UCLA має на меті поєднати глибоке розуміння, отримане з даних, і знання фізики реального світу, створюючи гібридний штучний інтелект з покращеними можливостями. Ачута Кадамбі, автор дослідження для листування та асистент-професор електротехніки та комп’ютерної інженерії в школі інженерії UCLA Samueli, пояснює: “Методи виведення з урахуванням фізичних закономірностей можуть дозволити автомобілям рухатися більш безпечно або хірургічним роботам бути більш точними.”

Включення фізики до комп’ютерного зору штучного інтелекту

Дослідницька команда представляє три інноваційні способи включення фізики до комп’ютерного зору штучного інтелекту:

1. Внесення фізичних характеристик до наборів даних ШІ: 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’ютерного зору. Наприклад, гібридний підхід дозволяє штучному інтелекту відстежувати та передбачати рух об’єктів більш точно і може створювати точні зображення високої роздільної здатності зі сцен, видимість яких погіршена несприятливою погодою.

Майбутнє фізично-інформованого штучного інтелекту

Дослідники оптимістично налаштовані щодо того, що подальші досягнення у цьому двомодальному підході можуть привести до того, що системи ШІ на основі глибокого навчання самостійно навчаться законам фізики. Це може ознаменувати новий рубіж у технологіях комп’ютерного зору, 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 виконане у співавторстві з фахівцем із комп’ютерних наук Дослідницької лабораторії армії США Селсо де Мело та викладачами UCLA Стефано Соатто, Чо-Джуї Хсіе й Мані Сріваставою. Додаткове фінансування надійшло від грантів Національного наукового фонду, програми молодих дослідників армії, агентства оборонних передових дослідницьких проектів, Intrinsic, компанії Alphabet (GOOG ) (GOOGL ), та Amazon.