19/06/2023
Door Ad Spijkers
Een onderzoek naar fysisch bewuste neurale netwerken kan leiden tot verbeterde mobiliteitsoplossingen.
Onderzoekers van de University of California Los Angeles en het United States Army Research Laboratory hebben een nieuwe aanpak ontwikkeld. Ze hebben door kunstmatige intelligentie aangestuurde computer vision technologieën verbeterd door op fysica gebaseerd bewustzijn toe te voegen aan datagestuurde technieken.
Het onderzoek bood een overzicht van een hybride methodologie die is ontworpen om te verbeteren hoe op AI gebaseerde machines hun omgeving in real-time waarnemen, interageren en erop reageren. Dit is zoals hoe autonome voertuigen bewegen en manoeuvreren of hoe robots de verbeterde technologie voor precisieacties uitvoeren.
Computer vision
Door computer vision kan kunstmatige intelligentie zijn omgeving zien en begrijpen. Dat gebeurt door gegevens te decoderen en eigenschappen van de fysieke wereld af te leiden uit afbeeldingen. Dergelijke beelden worden gevormd door de fysica van licht en mechanica. Traditionele computer vision technieken hebben zich voornamelijk gericht op op data gebaseerd machinaal leren om de prestaties te stimuleren. Los daarvan is op fysica gebaseerd onderzoek ontwikkeld om de verschillende fysische principes achter veel computer vision uitdagingen te onderzoeken.
Het was een uitdaging om een begrip van de fysica - de wetten die massa, beweging en meer beheersen - op te nemen in de ontwikkeling van neurale netwerken. In deze netwerken zijn AI's naar het menselijk brein gemodelleerd, met miljarden knooppunten om grote sets beelddata te kraken tot een begrip van wat ze 'zien'. Er zijn nu een paar veelbelovende onderzoekslijnen die proberen elementen van natuurkundig bewustzijn toe te voegen aan reeds robuuste datagestuurde netwerken.
Drie manieren
Het nieuwe onderzoek heeft tot doel om zowel de diepgaande kennis van data als de real-world kennis van de natuurkunde te benutten om een hybride AI met verbeterde mogelijkheden te creëren. Visuele machines doen uiteindelijk taken in onze fysieke wereld, of het nu auto's, robots of gezondheidsinstrumenten zijn die beelden gebruiken om de wereld waar te nemen. Fysiek bewuste vormen van inferentie kunnen er voor zorgen dat auto's veiliger kunnen rijden of dat chirurgische robots nauwkeuriger kunnen zijn.
Het onderzoeksteam schetste drie manieren waarop fysica en gegevens worden gecombineerd tot kunstmatige intelligentie met computervisie:
- Fysica opnemen in AI-datasets. Tag objecten met aanvullende informatie, zoals hoe snel ze kunnen bewegen of hoeveel ze wegen, vergelijkbaar met personages in videogames.
- Fysica integreren in netwerkarchitecturen. Voer gegevens door een netwerkfilter dat fysieke eigenschappen codeert voor wat camera's oppikken.
- Fysica opnemen in netwerkverliesfunctie. Maak gebruik van op fysica gebaseerde kennis om AI te helpen trainingsgegevens te interpreteren op basis van wat het waarneemt
Resultaten
Deze drie onderzoekslijnen hebben al bemoedigende resultaten opgeleverd op het gebied van verbeterde computer vision. Met de hybride benadering kan AI bijvoorbeeld de beweging van een object nauwkeuriger volgen en voorspellen. Ook kan het nauwkeurige beelden met een hoge resolutie produceren van situaties die door slecht weer worden verduisterd.
Met de voortdurende vooruitgang in deze duale modaliteitsbenadering, kunnen op deep learning gebaseerde AI's volgens de onderzoekers zelfs zelf de wetten van de fysica beginnen te leren.
De wetenschappelijke publicatie vindt u hier.
Ill.: Achuta Kadambi/UCLA Samueli