Hvordan speciel relativitetsteori kan hjælpe AI med at forudsige fremtiden

Etienne-Jules Marey

Ingen ved hvad der vil ske i fremtiden , men nogle gæt er meget bedre end andre. En sparket fodbold vil ikke vende i luften og vende tilbage til sparkerens fod. En halvspist cheeseburger bliver ikke hel igen. En brækket arm vil ikke hele natten over.

Ved at trække på en grundlæggende beskrivelse af årsag og virkning fundet i Einsteins specielle relativitetsteori er forskere fra Imperial College London kommet frem til en måde at hjælpe AI'er med at gætte bedre også.

Verden skrider frem skridt for skridt, hvert øjeblik dukker op fra dem, der går forud. Vi kan lave gode gæt om, hvad der derefter sker, fordi vi har stærke intuitioner om årsag og virkning, finpudset ved at observere, hvordan verden fungerer fra det øjeblik, vi bliver født, og behandle disse observationer med hjerner, der er fastkablet af millioner af års evolution.

Computere finder dog årsagssammenhænge svært. Maskinlæringsmodeller udmærker sig ved at se sammenhænge, ​​men er hårdt pressede til at forklare, hvorfor en begivenhed bør følge efter en anden. Det er et problem, for uden en følelse af årsag og virkning kan forudsigelser være vildt off. Hvorfor skulle en fodbold ikke vende under flugten?

Dette er et særligt problem med AI-drevet diagnose . Sygdomme er ofte korreleret med flere symptomer. For eksempel er personer med type 2-diabetes ofte overvægtige og har åndenød. Men åndenøden er ikke forårsaget af diabetes, og behandling af en patient med insulin hjælper ikke på det symptom.

AI-fællesskabet er klar over, hvor vigtigt det er kausal begrundelse kunne være til maskinlæring og forsøger at finde måder at bolte det på.

Forskere har prøvet forskellige måder at hjælpe computere med at forudsige, hvad der kan ske næste gang. Eksisterende tilgange træner en maskinlærende model ramme for ramme til at spotte mønstre i sekvenser af handlinger. Vis AI'en nogle få frames af et tog, der trækker ud af en station, og bed det derefter om at generere de næste par frames i sekvensen, for eksempel.

AI'er kan gøre et godt stykke arbejde med at forudsige et par billeder ind i fremtiden, men nøjagtigheden falder kraftigt efter fem eller 10 billeder, siger Athanasios Vlontzos ved Imperial College London. Fordi AI'en bruger forudgående frames til at generere den næste i sekvensen, bliver små fejl, der begås tidligt - nogle få fejlagtige pixels, f.eks. sammensat til større fejl, efterhånden som sekvensen skrider frem.

Vlontzos og hans kolleger ønskede at prøve en anden tilgang. I stedet for at få en AI til at lære at forudsige en specifik sekvens af fremtidige frames ved at se millioner af videoklip, tillod de den at generere en hel række billeder, der var nogenlunde magen til de foregående, og derefter vælge dem, der med størst sandsynlighed ville komme Næste. AI'en kan gætte på fremtiden uden at skulle lære noget om tidens udvikling, siger Vlontzos.

For at gøre dette udviklede holdet en algoritme inspireret af lyskegler, en matematisk beskrivelse af grænserne for årsag og virkning i rumtid, som først blev foreslået i Einsteins specielle relativitetsteori og senere forfinet af hans tidligere professor Hermann Minkowski. Lyskegler dukker op i fysikken, fordi lysets hastighed er konstant. De viser de ekspanderende grænser for en lysstråle – og alt andet – som den udgår fra en indledende begivenhed, såsom en eksplosion.

Tag et ark papir og marker en begivenhed på det med en prik. Tegn nu en cirkel med begivenheden i midten. Afstanden mellem prikken og kanten af ​​cirklen er den afstand, lyset har tilbagelagt i en periode - for eksempel et sekund. Fordi intet, ikke engang information, kan rejse hurtigere end lyset, er kanten af ​​denne cirkel en hård grænse for årsagspåvirkningen af ​​den oprindelige begivenhed. I princippet kunne alt inde i cirklen være blevet påvirket af begivenheden; noget udenfor kunne ikke.

Efter to sekunder har lyset rejst det dobbelte af afstanden, og cirklens størrelse er fordoblet: der er nu mange flere mulige fremtider for den oprindelige begivenhed. Forestil dig, at disse stadig større cirkler rejser sig sekund for sekund ud af papirarket, og du har en kegle på hovedet med den oprindelige begivenhed i spidsen. Dette er en lyskegle. Et spejlbillede af keglen kan også strække sig bagud, bag papirarket; den vil indeholde al mulig fortid, der kunne have ført til den oprindelige begivenhed.

Vlontzos og hans kolleger brugte dette koncept til at begrænse de fremtidige rammer, en AI kunne vælge. De testede ideen på to datasæt: Flytter MNIST , som består af korte videoklip af håndskrevne cifre, der bevæger sig rundt på en skærm, og den KTH menneskelig action-serie , som indeholder klip af mennesker, der går eller vifter med armene. I begge tilfælde trænede de AI til at generere frames, der lignede dem i datasættet. Men vigtigst af alt blev rammerne i træningsdatasættet ikke vist i rækkefølge, og algoritmen lærte ikke at fuldføre en serie.

De bad derefter AI'en om at vælge, hvilke af de nye frames der var mere tilbøjelige til at følge efter en anden. For at gøre dette grupperede AI genererede frames efter lighed og brugte derefter lyskeglealgoritmen til at tegne en grænse omkring dem, der kunne være årsagsrelaterede til den givne frame. På trods af at den ikke var trænet til at fortsætte en sekvens, kunne AI'en stadig lave gode bud på, hvilke frames der kom næste gang. Hvis du giver AI'en en ramme, hvor en korthåret person, der bærer en skjorte, går, så vil AI'en afvise rammer, der viser en person med langt hår eller ingen skjorte, siger Vlontzos. Arbejdet er i de sidste stadier af gennemgang på NeurIPS, en stor maskinlæringskonference

En fordel ved tilgangen er, at den skal fungere med forskellige typer maskinlæring, så længe modellen kan generere nye rammer, der ligner dem i træningssættet. Det kan også bruges til at forbedre nøjagtigheden af ​​eksisterende AI'er trænet på videosekvenser.

For at teste tilgangen fik teamet keglerne til at udvide med en fast hastighed. Men i praksis vil denne sats variere. En bold på en fodboldbane vil have flere mulige fremtidige positioner end en bold, der for eksempel bevæger sig langs skinner. Dette betyder, at du har brug for en kegle, der udvidede sig hurtigere til fodbolden.

At beregne disse hastigheder involverer at komme dybt ind i termodynamikken, hvilket ikke er praktisk. Indtil videre planlægger holdet at indstille diameteren på keglerne i hånden. Men ved at se video af en fodboldkamp, ​​f.eks., kunne AI'en lære, hvor meget og hvor hurtigt objekter bevægede sig rundt, hvilket ville gøre det muligt for den at indstille diameteren på selve keglen. En AI kunne også lære på farten, observere hvor hurtigt et rigtigt system ændrede sig og justere keglestørrelsen, så den matcher den.

At forudsige fremtiden er vigtigt for mange applikationer. Autonome køretøjer skal kunne forudsige, om et barn er ved at køre ud på vejen, eller om en vaklende cyklist udgør en fare. Robotter, der skal interagere med fysiske objekter, skal være i stand til at forudsige, hvordan disse objekter vil opføre sig, når de flyttes rundt. Forudsigelsessystemer generelt vil være mere præcise, hvis de kan ræsonnere om årsag og virkning i stedet for blot sammenhæng.

Men Vlontzos og hans kolleger er særligt interesserede i medicin. En AI kunne bruges til at simulere, hvordan en patient kan reagere på en bestemt behandling - for eksempel at udskyde, hvordan den behandling kan forløbe trin for trin. Ved at skabe alle disse mulige resultater kan du se, hvordan et lægemiddel vil påvirke en sygdom, siger Vlontzos. Fremgangsmåden kunne også bruges med medicinske billeder. Givet en MR-scanning af en hjerne, kunne en AI identificere de sandsynlige måder, hvorpå en sygdom kan udvikle sig.

Det er meget fedt at se ideer fra fundamental fysik blive lånt til at gøre dette, siger Ciaran Lee, en forsker, der arbejder med kausal inferens på Spotify og University College London. Et greb om kausalitet er virkelig vigtigt, hvis du vil tage handlinger eller træffe beslutninger i den virkelige verden, siger han. Det går til kernen af, hvordan tingene bliver, som de er: Hvis du nogensinde vil stille spørgsmålet ’Hvorfor?’, så skal du forstå årsag og virkning.

skjule