Künstliche Intelligenz hat zweifellos unauslöschliche Spuren in unserem Leben hinterlassen. In einer bahnbrechenden Anstrengung zur weiteren Verbesserung der KI-Fähigkeiten haben Forscher der UCLA und des United States Military Analysis Laboratory einen einzigartigen Ansatz vorgestellt, der physikalisches Bewusstsein mit datengesteuerten Techniken auf KI-Foundation verbindet Computer Vision Technologien.
Die Studie, veröffentlicht in Naturmaschinenintelligenzschlägt eine bahnbrechende Hybridmethodik vor, die darauf abzielt, die Artwork und Weise zu verfeinern, wie KI-basierte Maschinen ihre Umgebung in Echtzeit wahrnehmen, interagieren und auf sie reagieren – entscheidend für autonome Fahrzeuge und Präzisionsroboter.
Hybrider Ansatz für physikbewusste KI
Traditionell konzentrierte sich Laptop Imaginative and prescient, der Bereich, der es KI ermöglicht, Eigenschaften der physischen Welt aus Bildern zu verstehen und abzuleiten, weitgehend auf Datenbasis maschinelles Lernen. Gleichzeitig versuchte die physikbasierte Forschung, die physikalischen Prinzipien zu entschlüsseln, die vielen Herausforderungen im Bereich Laptop Imaginative and prescient zugrunde liegen. Allerdings hat es sich als Herausforderung erwiesen, das Verständnis der Physik in den Bereich der neuronalen Netze zu integrieren.
In einem bedeutenden Durchbruch beabsichtigt die UCLA-Studie, das tiefe Verständnis aus Daten und das reale Know-how der Physik zu kombinieren und so eine hybride KI mit erweiterten Fähigkeiten zu schaffen. Achuta Kadambi, korrespondierender Autor der Studie und Assistenzprofessor für Elektro- und Computertechnik an der UCLA Samueli Faculty of Engineering, erklärt: „Physikbewusste Formen der Schlussfolgerung können es Autos ermöglichen, sicherer zu fahren, oder chirurgischen Robotern, präziser zu fahren.“
Einbindung der Physik in die Laptop-Imaginative and prescient-KI
Das Forschungsteam skizziert drei progressive Möglichkeiten zur Integration der Physik in die Laptop-Imaginative and prescient-KI:
- Physik in KI-Datensätze einfließen lassen: Dabei werden Objekte mit zusätzlichen Informationen wie ihrer potenziellen Geschwindigkeit oder ihrem Gewicht versehen, ähnlich wie bei Charakteren in Videospielen.
- Integration der Physik in Netzwerkarchitekturen: Bei dieser Strategie werden Daten durch einen Netzwerkfilter geleitet, der physikalische Eigenschaften in die von den Kameras erfassten Daten kodiert.
- Einbeziehung der Physik in die Netzwerkverlustfunktion: Hier wird physikalisches Wissen genutzt, um die KI bei der Interpretation von Trainingsdaten zu ihren Beobachtungen zu unterstützen.
Diese experimentellen Forschungslinien haben bereits vielversprechende Ergebnisse bei der Verbesserung des Computersehens erbracht. Der Hybridansatz ermöglicht es der KI beispielsweise, die Bewegung eines Objekts genauer zu verfolgen und vorherzusagen und genaue, hochauflösende Bilder von Szenen zu erzeugen, die durch schlechtes Wetter verdeckt sind.
Die Zukunft der physikbewussten KI
Die Forscher sind optimistisch, dass weitere Fortschritte in diesem dualen Modalitätsansatz dazu führen könnten, dass auf Deep Studying basierende KIs die Gesetze der Physik selbstständig erlernen. Dies könnte eine neue Grenze für KI-gestützte Laptop-Imaginative and prescient-Technologien markieren und den Weg für eine sicherere und präzisere KI-Anwendung in verschiedenen Bereichen ebnen, einschließlich autonomer Fahrzeuge und chirurgischer Robotik.
Die Studie, die teilweise durch ein Stipendium des Military Analysis Laboratory unterstützt wurde, wurde gemeinsam vom Informatiker Celso de Melo vom Military Analysis Laboratory und den UCLA-Fakultätsmitgliedern Stefano Soatto, Cho-Jui Hsieh und Mani Srivastava verfasst. Zusätzliche Mittel kamen aus Zuschüssen der Nationwide Science Basis, des Military Younger Investigator Program, der Protection Superior Analysis Initiatives Company, Intrinsic, einem Alphabet-Unternehmen, und Amazon.
