16:17 2024-02-07
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Întrebări și răspunsuri: Expert explică „fizica IA”
_ Întrebări și răspunsuri: explică expertul „fizica inteligenței artificiale”
Dezvoltarea unei noi teorii este asociată de obicei cu cei mari ai fizicii. S-ar putea să vă gândiți la Isaac Newton sau Albert Einstein, de exemplu. Multe premii Nobel au fost deja acordate pentru noi teorii.
Cercetătorii de la Forschungszentrum Jülich au programat acum o inteligență artificială care a stăpânit și ea această performanță. AI-ul lor este capabil să recunoască modele în seturi complexe de date și să le formuleze într-o teorie fizică. Descoperirile sunt publicate în jurnalul Physical Review X.
În următorul interviu, prof. Moritz Helias de la Institutul pentru Simulare Avansată din Forschungszentrum Jülich (IAS-6) explică despre ce înseamnă „Fizica IA” și în ce măsură diferă de abordările convenționale.
De obicei, începeți cu observații ale sistemului înainte de a încerca să propuneți modul în care diferitele componente ale sistemului interacționează între ele pentru a explica comportamentul observat. Noi predicții sunt apoi derivate din aceasta și puse la încercare.
Un exemplu binecunoscut este legea gravitației a lui Isaac Newton. Nu numai că descrie forța gravitațională de pe Pământ, dar poate fi folosit și pentru a prezice mișcările planetelor, lunilor și cometelor - precum și orbitele sateliților moderni - destul de precis.
Cu toate acestea, modul în care se ajunge la astfel de ipoteze diferă întotdeauna. Puteți începe cu principii generale și ecuații de bază ale fizicii și puteți deriva ipoteza din acestea, sau puteți alege o abordare fenomenologică, limitându-vă la a descrie observațiile cât mai exact posibil, fără a explica cauzele acestora. Dificultatea constă în selectarea unei abordări bune dintre numeroasele abordări posibile, adaptarea ei dacă este necesar și simplificarea ei.
În general, implică o abordare cunoscută sub numele de „fizica pentru învățarea automată”. În grupul nostru de lucru, folosim metode de fizică pentru a analiza și înțelege funcția complexă a unei IA.
Noua idee crucială dezvoltată de Claudia Merger din grupul nostru de cercetare a fost să folosim mai întâi o rețea neuronală care învață să mapa cu precizie comportamentul complex observat la un sistem mai simplu. Cu alte cuvinte, AI își propune să simplifice toate interacțiunile complexe pe care le observăm între componentele sistemului. Apoi folosim sistemul simplificat și creăm o mapare inversă cu AI antrenat. Revenind de la sistemul simplificat la cel complex, dezvoltăm apoi noua teorie.
La întoarcere, interacțiunile complexe se construiesc bucată cu bucată din cele simplificate. În cele din urmă, abordarea nu este așadar atât de diferită de cea a unui fizician, cu diferența fiind că modul în care interacțiunile sunt asamblate este acum citit din parametrii AI. Această perspectivă asupra lumii – explicând-o din interacțiunile dintre diferitele sale părți care urmează anumite legi – este baza fizicii, de unde și termenul „fizica AI”.
Am folosit un set de date alb-negru. imagini cu numere scrise de mână, de exemplu, care este adesea folosit în cercetare atunci când se lucrează cu rețele neuronale. Ca parte a tezei sale de doctorat, Claudia Merger a investigat modul în care substructurile mici din imagini, cum ar fi marginile numerelor, sunt alcătuite din interacțiuni între pixeli. Se găsesc grupuri de pixeli care tind să fie mai strălucitori împreună și contribuie astfel la forma marginii numărului.
Folosirea AI este un truc care face posibile calculele în primul rând. Ajungi foarte repede la un număr foarte mare de interacțiuni posibile. Fără a folosi acest truc, ai putea să te uiți doar la sisteme foarte mici. Cu toate acestea, efortul de calcul implicat este încă mare, ceea ce se datorează faptului că există multe interacțiuni posibile chiar și în sistemele cu multe componente.
Cu toate acestea, putem parametriza eficient aceste interacțiuni, astfel încât acum să putem vizualiza sisteme cu aproximativ 1.000 de componente care interacționează, adică zone de imagine cu până la 1.000 de pixeli. În viitor, sisteme mult mai mari ar trebui să fie posibile și printr-o optimizare ulterioară.
Multe IA urmăresc să învețe o teorie a datelor utilizate pentru antrenarea AI. Cu toate acestea, teoriile pe care AI le învață de obicei nu pot fi interpretate. În schimb, ele sunt implicit ascunse în parametrii AI-ului antrenat. În schimb, abordarea noastră extrage teoria învățată și o formulează în limbajul interacțiunilor dintre componentele sistemului, care stă la baza fizicii.
Astfel, aparține domeniului IA explicabilă, în special „fizica IA”. deoarece folosim limbajul fizicii pentru a explica ceea ce a învățat AI. Putem folosi limbajul interacțiunilor pentru a construi o punte între funcționarea interioară complexă a AI și teoriile pe care oamenii le pot înțelege.
Comentarii:
Adauga Comentariu