Революційна модель штучного інтелекту передбачає фізичні системи без попередніх знань

Нещодавнє дослідження вчених з Archetype AI представило новаторську модель штучного інтелекту, здатну узагальнювати різні фізичні сигнали та явища, що є значним кроком 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 областей, все без попередніх знань про основні фізичні закони.

Новий підхід до штучного інтелекту для фізичних систем

Дослідження спрямоване на розробку фундаментальної моделі штучного інтелекту, яка може обробляти фізичні сигнали з широкого спектра систем, включаючи електричні струми, потоки рідини та дані оптичних сенсорів. Використовуючи феноменологічний підхід, дослідники уникнули вбудовування конкретних фізичних законів у модель, що дозволило їй узагальнювати нові фізичні явища, з якими вона раніше не зустрічалася.

Навчена на 0,59 мільярді вимірювань сенсорів з різних областей, 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 ґрунтується на феноменологічній основі. На відміну від традиційних моделей штучного інтелекту, які покладаються на попередньо визначені індуктивні упередження (наприклад, закони збереження), дослідники навчили свій штучний інтелект виключно на спостережуваних даних з сенсорів. Це дозволило моделі вивчити внутрішні закономірності різних фізичних явищ без припущень про попередні знання про фізичні принципи.

Зосередившись на фізичних величинах, таких як температура, електричний струм і крутний момент, модель змогла узагальнити різні типи сенсорів і системи, відкриваючи двері до застосувань у галузях від енергетичного менеджменту до передових наукових досліджень.

Ω-Фреймворк: шлях до універсальних фізичних моделей

У центрі цього прориву лежить Ω-Фреймворк, структурована методологія, розроблена дослідниками для створення моделей штучного інтелекту, які можуть виводити та передбачати фізичні процеси. У цьому фреймворкові всі фізичні процеси представлені як набори спостережуваних величин. Виклик створення універсальної моделі полягає в тому, що не всі можливі фізичні величини можна виміряти або включити у навчальні дані. Тим не менш, Ω-Фреймворк 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 типовими для реальних застосувань. Штучний інтелект вивчає декодувати та реконструювати ці сигнали, передбачаючи майбутню поведінку з вражаючою точністю.

Архітектура на основі трансформерів для фізичних сигналів

Архітектура моделі ґрунтується на трансформерних нейронних мережах, які зазвичай використовуються у обробці природної мови, але тепер застосовуються до фізичних сигналів. Ці мережі перетворюють дані сенсорів у одновимірні патчі, які потім вкладаються у єдиний латентний простір. Ця вкладка дозволяє моделі захоплювати складні тимчасові закономірності фізичних сигналів, незалежно від конкретного типу сенсора.

Поточні феноменологічні декодери потім дозволяють моделі реконструювати 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 широкі експерименти для перевірки можливостей узагальнення моделі. У одному наборі 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 температури масла з електричних трансформаторів.

У кожному випадку модель перевершувала традиційні, спеціалізовані моделі, демонструючи свою здатність обробляти складні, реальні системи.

Узагальнення без попередніх знань та гнучкість

Одним з найбільш цікавих результатів цього дослідження є здатність моделі до узагальнення без попередніх знань. Штучний інтелект міг передбачати поведінку у 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 перевершувати моделі, спеціалізовані у конкретних завданнях. Цей прорив може мати далекосяжні наслідки для можливості штучного інтелекту інтерпретувати фізичні процеси.

Наслідки для галузей та досліджень

Потенційні застосування цієї фундаментальної моделі штучного інтелекту є величезними. Надавши можливість системам, незалежним від сенсорів, модель може бути використана у галузях, де збирання великих, спеціалізованих наборів даних є складним. Її здатність вивчити автономно з спостережуваних даних може привести до розробки самовчучих систем штучного інтелекту, які адаптуються до нових середовищ без людського втручання.

Крім того, ця модель має значний потенціал для наукових відкриттів. У галузях, таких як фізика, матеріалознавство та експериментальні дослідження, де дані часто складні та багатовимірні, модель могла прискорити процес аналізу, пропонуючи знання, які раніше були недоступні традиційними методами.

Майбутні напрямки

Хоча модель представляє значний крок вперед у сфері штучного інтелекту для фізичних систем, дослідження також ідентифікує області для подальших досліджень. До них належать удосконалення обробки моделлю шумових даних сенсорів, дослідження її продуктивності на неperiodичних сигналах та вирішення крайніх випадків, де передбачення були менш точними.

Майбутня робота могла б зосередитися на розробці більш надійних 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 відкриває нову главу у можливості штучного інтелекту зрозуміти та передбачити фізичний світ. З її здатністю узагальнювати широкий спектр явищ та типів сенсорів, ця модель могла б трансформувати галузі, наукові дослідження та навіть повсякденні технології. Способність до узагальнення без попередніх знань, продемонстрована у дослідженні, відкриває двері до моделей штучного інтелекту, які можуть автономно вивчити та адаптуватися до нових викликів, без потреби у спеціалізованому повторному навчанні.

Це новаторське дослідження, очолюване Archetype AI, ймовірно, матиме тривалі наслідки для застосування штучного інтелекту у фізичних системах, революціонізуючи галузі, які залежать від точних та масштабованих передбачень.