Революційна модель штучного інтелекту передбачає фізичні системи без попередніх знань

Останнє дослідження вчених з Archetype AI розкрило новаторську модель штучного інтелекту, здатну узагальнювати різноманітні фізичні сигнали та явища, що означає суттєвий крок вперед у сфері штучного інтелекту. Стаття, озаглавлена “Феноменологічна модель штучного інтелекту для фізичних сигналів,“ пропонує новий підхід до створення єдиної моделі штучного інтелекту, яка може передбачати та інтерпретувати фізичні процеси з різних галузей, все це без попередніх знань про основні фізичні закони.

Новий підхід до штучного інтелекту для фізичних систем

Дослідження спрямоване на розробку моделі штучного інтелекту, яка може обробляти фізичні сигнали з широкого спектра систем, включаючи електричні струми, потоки рідини та дані оптичних сенсорів. Прийнявши феноменологічний підхід, дослідники уникнули закладення конкретних фізичних законів у модель, що дозволило їй узагальнювати до нових фізичних явищ, з якими вона раніше не зустрічалася.
Навчена на 0,59 мільярда вимірювань сенсорів з різних галузей, модель продемонструвала виняткову продуктивність у передбаченні поведінки фізичних систем. Ці системи варіюються від простих механічних осциляторів до складних процесів, таких як динаміка електричної мережі, демонструючи гнучкість моделі.

Феноменологічна структура штучного інтелекту

Підхід дослідження заснований на феноменологічній основі. На відміну від традиційних моделей штучного інтелекту, які покладаються на попередньо визначені індуктивні упередження (наприклад, закони збереження), дослідники навчали свій штучний інтелект виключно на спостережуваних даних з сенсорів. Це дозволило моделі вивчити внутрішні закономірності різних фізичних явищ без припущення будь-яких попередніх знань про керуючі фізичні принципи.
Зосередившись на фізичних величинах, таких як температура, електричний струм та крутний момент, модель змогла узагальнити різні типи сенсорів та системи, відкриваючи двері до застосувань у галузях, починаючи від енергетичного менеджменту та закінчуючи просунутими науковими дослідженнями.

Структура Ω: шлях до універсальних фізичних моделей

У центрі цього прориву лежить структура Ω, структурована методологія, розроблена дослідниками для створення моделей штучного інтелекту, які можуть виводити та передбачати фізичні процеси. У цій структурі всі фізичні процеси представлені як набори спостережуваних величин. Виклик створення універсальної моделі полягає в тому, що не всі можливі фізичні величини можна виміряти чи включити у навчання. Незважаючи на це, структура Ω дозволяє моделі виводити поведінку в нових системах на основі даних, з якими вона зустрічалася.
Ця здатність узагальнювати пояснюється тим, як модель обробляє неповні або шумові дані сенсорів, що є типовим для реальних застосувань. Штучний інтелект вчиться декодувати та відновлювати ці сигнали, передбачаючи майбутню поведінку з вражаючою точністю.

Архітектура, заснована на трансформерах, для фізичних сигналів

Архітектура моделі заснована на трансформерних мережах, які зазвичай використовуються у обробці природної мови, але тепер застосовуються до фізичних сигналів. Ці мережі перетворюють дані сенсорів у одновимірні фрагменти, які потім вкладаються у єдиний латентний простір. Це вкладення дозволяє моделі захоплювати складні тимчасові закономірності фізичних сигналів, незалежно від конкретного типу сенсора.
Поточні феноменологічні декодери потім дозволяють моделі відновлювати минулу поведінку або передбачати майбутні події, роблячи її придатною для широкого спектра фізичних систем. Легкі декодери також дозволяють здійснювати тонке налаштування для конкретних завдань без повторної навчальної моделі.

Валідація у різних фізичних системах

Дослідники провели широкомасштабні експерименти для перевірки можливостей узагальнення моделі. У одному з наборів тестів модель була оцінена на гармонічному осциляторі та термоелектричній системі. Обидві системи були відомі своїми хаотичними або складними поведінками, що робило їх ідеальними кандидатами для перевірки передбачувальної точності моделі.
Штучний інтелект успішно прогнозував поведінку цих систем з мінімальною похибкою, навіть під час хаотичних фаз. Це успіх підкреслює його потенціал для передбачення фізичних систем, які демонструють нелінійну динаміку.
Додаткові експерименти були проведені за допомогою реальних даних, включаючи:

• Споживання електроенергії у різних країнах.
• Температурні коливання у Мельбурні, Австралія.
• Дані про температуру масла з електричних трансформаторів.

У кожному випадку модель перевершила традиційні, галузеві моделі, демонструючи свою здатність обробляти складні реальні системи.

Узагальнення з нульовим зразком та гнучкість

Одним з найбільш цікавих результатів цього дослідження є здатність моделі до узагальнення з нульовим зразком. Штучний інтелект міг передбачати поведінку в системах, з якими він раніше не зустрічався під час навчання, таких як термоелектрична поведінка та динаміка електричних трансформаторів, з високим рівнем точності.
Ця здатність дзеркально відображає досягнення, спостережувані у моделях природної мови, таких як GPT-4, де одна модель, навчена на величезному наборі даних, може перевершити моделі, спеціалізовані на конкретних завданнях. Цей прорив може мати далекосяжні наслідки для здатності штучного інтелекту інтерпретувати фізичні процеси.

Наслідки для галузей та досліджень

Потенційні застосування цієї моделі штучного інтелекту величезні. Надавши можливість системам, незалежним від сенсорів, модель може бути використана у галузях, де збирання великих, спеціалізованих наборів даних є складним. Її здатність вивчити самостійно з спостережуваних даних могла б привести до розробки самоучливих систем штучного інтелекту, які адаптуються до нових середовищ без втручання людини.
Крім того, ця модель має суттєвий потенціал для наукових відкриттів. У галузях, таких як фізика, матеріалознавство та експериментальні дослідження, де дані часто складні та багатовимірні, модель могла б прискорити процес аналізу, пропонуючи відкриття, які раніше були недоступні традиційними методами.

Майбутні напрямки

Хоча модель являє собою суттєвий крок вперед у сфері штучного інтелекту для фізичних систем, дослідження також визначає області для подальших досліджень. До них належать удосконалення обробки моделлю шумових даних сенсорів, дослідження її продуктивності на періодичних сигналах та вирішення крайніх випадків, у яких передбачення були менш точними.
Майбутня робота могла б зосередитися на розробці більш стійких декодерів для конкретних завдань, таких як виявлення аномалій, класифікація або обробка крайніх випадків у складних системах.

Висновок

Введення цієї феноменологічної моделі штучного інтелекту для фізичних сигналів означає новий розділ у здатності штучного інтелекту зрозуміти та передбачити фізичний світ. З її можливістю узагальнювати широкий спектр явищ та типів сенсорів, ця модель могла б трансформувати галузі, наукові дослідження та навіть щоденні технології. Способність до узагальнення з нульовим зразком, продемонстрована у дослідженні, відкриває двері до моделей штучного інтелекту, які можуть вивчити самостійно та адаптуватися до нових викликів без потреби у галузевому повторному навчанні.
Це новаторське дослідження, яке очолює Archetype AI, ймовірно, матиме тривалий вплив на застосування штучного інтелекту у фізичних системах, революціонізуючи галузі, які покладаються на точні та масштабовані передбачення.