Najnovije vijesti
Adios

MIT ograničio AI modele kaotičnih sustava fizikalnim pravilima

Istraživači s MIT-a razvili su način koji AI modelima nameće fizikalna ograničenja kako predikcije o vremenu, klimi i turbulencijama nikad ne bi izišle iz realnih granica. Rad je objavljen u PNAS-u.

MIT ograničio AI modele kaotičnih sustava fizikalnim pravilima
Ilustracija: Adios

Kronologija priče

Razvoj AI modela za klimu na MIT-u

2. od 2

  1. 12. studenoga, 06:00 MIT razvio brži način treniranja AI modela za klimu 1 portal
  2. 20. studenoga, 21:00 MIT ograničio AI modele kaotičnih sustava fizikalnim pravilima Ovdje si
Cijela kronologija

Adios

Članak

Modeli kaotičnih procesa, poput vremena, klime i turbulencija, s vremenom znaju izbaciti predikcije koje su fizikalno nemoguće. Istraživači s MIT-ova Laboratorija za informacijske i odlučne sustave (LIDS) pronašli su način da u strojno učenje ugrade fizikalna ograničenja, pa takvi modeli nikad ne prijeđu realne granice. Nalaz je objavljen u časopisu PNAS, u radu studenta Sunbochena Tanga te profesora Navida Azizana i Themistoklisa Sapsisa.

Sapsis je rekao da nedostatak jamstava o ograničenom odgovoru uvijek bio velika prepreka u oblikovanju modela složenih nelinearnih sustava. Azizan je istaknuo da male razlike u početnim uvjetima mogu dovesti do drukčijih ishoda, pa je predviđanje ponašanja daleko u budućnost izuzetno teško. No, dodao je, kaos ne znači da se sve može dogoditi: sustavi često ostaju ograničeni, pa bi i njihovi modeli trebali. Problem je što model može podatke dobro pratiti kratko vrijeme, a onda kad se pusti da radi dugo, male pogreške rastu bez granica.

Rješenje je u energijskim ograničenjima. Model uči energiji sličnu funkciju i granicu unutar koje se kaotično ponašanje smije odvijati, a projekcijski sloj nameće rasipanje energije kao tvrdo ograničenje. Izvan granice energija mora padati, pa se sustav vraća unutar ograničenog područja. Time su prvi put postavljena formalna jamstva za AI modele kaosa. Tang je objasnio da su prethodni pokušaji koristili kazne tijekom obuke, ali bez jamstva u testnoj fazi, dok bi nametanje proizvoljnih gornjih granica, primjerice 100 stupnjeva za temperaturu, ograničilo model da nauči složenije značajke.

Na nizu poznatih fizičkih sustava, od jednostavnih do složenih višedimenzionalnih, pristup je dao ishode bliske stvarnima, dok su konvencionalna pristupa brzo odstupila u nemoguće predikcije. Azizan je razliku sažeo kao tvrdo nasuprot mekom ograničavanju: izlaz je uvijek fizikalno konzistentan, čak i za potpuno novi slučaj. Dodao je da AI sjaji kad podataka ima napretek, kao kod slika i teksta, a da kod fizičkih sustava podataka često nedostaje, pa fizika postaje dodatni izvor informacije.

Kod je otvoren, a tim planira ispitivanje na sve većim sustavima, uključujući modele realnih vremenskih prilika. Projekcijski sloj je modularan i neovisan o arhitekturi mreže, pa se nadaju da će ga drugi nadograđivati. Prateći rad tima ove je godine nagrađen nagradom za najbolji rad na konferenciji Learning for Dynamics and Control. Azizan je zaključio da pouzdani AI treba jamstva o svojstvima koja moraju uvijek vrijediti, a širi je cilj da načela budu dio gradnje AI modela, ne samo njihova testiranja.

Partnerske ponude