Hvordan spesiell relativitet kan hjelpe AI med å forutsi fremtiden

Etienne-Jules Marey

Ingen vet hva som vil skje i fremtiden , men noen gjetninger er mye bedre enn andre. En sparket fotball vil ikke reversere i luften og gå tilbake til sparkerens fot. En halvspist cheeseburger blir ikke hel igjen. En brukket arm vil ikke leges over natten.

Ved å ta utgangspunkt i en grunnleggende beskrivelse av årsak og virkning som finnes i Einsteins spesielle relativitetsteori, har forskere fra Imperial College London kommet frem til en måte å hjelpe AI-er med å gjøre bedre gjetninger også.

Verden utvikler seg trinn for trinn, hvert øyeblikk kommer fra de som går foran den. Vi kan gjøre gode gjetninger om hva som skjer videre fordi vi har sterke intuisjoner om årsak og virkning, finpusset ved å observere hvordan verden fungerer fra det øyeblikket vi blir født og behandle disse observasjonene med hjerner som er hardkoblet av millioner av år med evolusjon.

Datamaskiner finner imidlertid årsaksresonnement vanskelig. Maskinlæringsmodeller utmerker seg ved å oppdage korrelasjoner, men er hardt presset til å forklare hvorfor en hendelse bør følge etter en annen. Det er et problem, for uten en følelse av årsak og virkning, kan spådommer være helt feil. Hvorfor skulle ikke en fotball reversere under flukt?

Dette er en spesiell bekymring med AI-drevet diagnose . Sykdommer er ofte korrelert med flere symptomer. For eksempel er personer med type 2 diabetes ofte overvektige og har kortpustethet. Men kortpustethet er ikke forårsaket av diabetes, og behandling av en pasient med insulin vil ikke hjelpe med det symptomet.

AI-fellesskapet innser hvor viktig det er årsaksresonnement kan være for maskinlæring og prøver å finne måter å feste den på.

Forskere har prøvd ulike måter å hjelpe datamaskiner med å forutsi hva som kan skje videre. Eksisterende tilnærminger trener en maskinlæringsmodell ramme for ramme til å oppdage mønstre i sekvenser av handlinger. Vis AI-en noen få bilder av et tog som kjører ut fra en stasjon, og be den for eksempel generere de neste bildene i sekvensen.

AI-er kan gjøre en god jobb med å forutsi noen få bilder inn i fremtiden, men nøyaktigheten faller kraftig etter fem eller 10 bilder, sier Athanasios Vlontzos ved Imperial College London. Fordi AI bruker foregående rammer for å generere den neste i sekvensen, blir små feil som gjøres tidlig – noen få feilaktige piksler, for eksempel – sammensatt til større feil etter hvert som sekvensen skrider frem.

Vlontzos og hans kolleger ønsket å prøve en annen tilnærming. I stedet for å få en AI til å lære å forutsi en spesifikk sekvens av fremtidige bilder ved å se millioner av videoklipp, lot de den generere en hel rekke bilder som var omtrent like de foregående, og deretter velge de som var mest sannsynlig å komme neste. AI kan gjøre gjetninger om fremtiden uten å måtte lære noe om tidens utvikling, sier Vlontzos.

For å gjøre dette utviklet teamet en algoritme inspirert av lyskjegler, en matematisk beskrivelse av grensene for årsak og virkning i romtid, som først ble foreslått i Einsteins spesielle relativitetsteori og senere foredlet av hans tidligere professor Hermann Minkowski. Lyskjegler dukker opp i fysikk fordi lysets hastighet er konstant. De viser de ekspanderende grensene for en lysstråle – og alt annet – når den kommer fra en innledende hendelse, for eksempel en eksplosjon.

Ta et ark og merk en begivenhet på det med en prikk. Tegn nå en sirkel med hendelsen i midten. Avstanden mellom prikken og kanten av sirkelen er avstanden lyset har tilbakelagt i løpet av en tidsperiode - for eksempel ett sekund. Fordi ingenting, ikke engang informasjon, kan reise raskere enn lys, er kanten av denne sirkelen en hard grense for årsakspåvirkningen av den opprinnelige hendelsen. I prinsippet kunne alt innenfor sirkelen ha blitt påvirket av hendelsen; noe utenfor kunne ikke.

Etter to sekunder har lyset reist det dobbelte av avstanden og sirkelens størrelse har doblet seg: det er nå mange flere mulige fremtider for den opprinnelige hendelsen. Se for deg disse stadig større sirklene som stiger sekund for sekund ut av papirarket, og du har en opp-ned kjegle med den opprinnelige hendelsen på spissen. Dette er en lyskjegle. Et speilbilde av kjeglen kan også strekke seg bakover, bak papirarket; den vil inneholde all mulig fortid som kunne ha ført til den opprinnelige hendelsen.

Vlontzos og kollegene hans brukte dette konseptet for å begrense fremtidige rammer en AI kunne velge. De testet ideen på to datasett: Flytter MNIST , som består av korte videoklipp av håndskrevne sifre som beveger seg rundt på en skjerm, og KTH menneskelig action-serie , som inneholder klipp av folk som går eller vifter med armene. I begge tilfeller trente de AI til å generere rammer som lignet de i datasettet. Men viktigere er at rammene i treningsdatasettet ikke ble vist i rekkefølge, og algoritmen lærte ikke å fullføre en serie.

De ba deretter AI om å velge hvilke av de nye rammene som var mer sannsynlige å følge etter en annen. For å gjøre dette, grupperte AI genererte rammer etter likhet og brukte deretter lyskjeglealgoritmen til å tegne en grense rundt de som kan være årsaksmessig relatert til den gitte rammen. Til tross for at den ikke ble opplært til å fortsette en sekvens, kunne AI fortsatt gjøre gode gjetninger om hvilke rammer som kom neste gang. Hvis du gir AI-en en ramme der en korthåret person som har på seg en skjorte går, så vil AI-en avvise rammer som viser en person med langt hår eller ingen skjorte, sier Vlontzos. Arbeidet er i sluttfasen av gjennomgangen på NeurIPS, en stor maskinlæringskonferanse

En fordel med tilnærmingen er at den skal fungere med ulike typer maskinlæring, så lenge modellen kan generere nye rammer som ligner de i treningssettet. Den kan også brukes til å forbedre nøyaktigheten til eksisterende AI-er som er trent på videosekvenser.

For å teste tilnærmingen fikk teamet kjeglene utvidet med en fast hastighet. Men i praksis vil denne satsen variere. En ball på en fotballbane vil ha flere mulige fremtidige posisjoner enn en ball som beveger seg langs for eksempel skinner. Dette betyr at du trenger en kjegle som utvidet seg i en raskere hastighet for fotballen.

Å trene disse hastighetene innebærer å gå dypt inn i termodynamikk, noe som ikke er praktisk. Foreløpig planlegger teamet å stille inn diameteren på kjeglene for hånd. Men ved å se videoer av en fotballkamp, ​​for eksempel, kunne AI lære hvor mye og hvor raskt objekter beveget seg rundt, noe som ville gjøre det i stand til å stille inn diameteren på selve kjeglen. En kunstig intelligens kan også lære på farten, observere hvor raskt et ekte system endret seg og justere kjeglestørrelsen for å matche den.

Å forutsi fremtiden er viktig for mange applikasjoner. Autonome kjøretøy må kunne forutse om et barn er i ferd med å kjøre ut i veien eller om en vaklende syklist utgjør en fare. Roboter som trenger å samhandle med fysiske objekter, må kunne forutsi hvordan disse objektene vil oppføre seg når de flyttes rundt. Prediktive systemer generelt vil være mer nøyaktige hvis de kan resonnere om årsak og virkning i stedet for bare korrelasjon.

Men Vlontzos og hans kolleger er spesielt interessert i medisin. En kunstig intelligens kan brukes til å simulere hvordan en pasient kan reagere på en bestemt behandling – for eksempel å spole ut hvordan behandlingen kan forløpe, trinn for trinn. Ved å skape alle disse mulige utfallene kan du se hvordan et medikament vil påvirke en sykdom, sier Vlontzos. Tilnærmingen kan også brukes med medisinske bilder. Gitt en MR-skanning av en hjerne, kan en AI identifisere de sannsynlige måtene en sykdom kan utvikle seg på.

Det er veldig kult å se ideer fra grunnleggende fysikk bli lånt for å gjøre dette, sier Ciaran Lee, en forsker som jobber med kausal slutning ved Spotify og University College London. Et grep om årsakssammenheng er veldig viktig hvis du ønsker å ta handlinger eller beslutninger i den virkelige verden, sier han. Det går til kjernen av hvordan ting blir som de er: Hvis du noen gang ønsker å stille spørsmålet 'Hvorfor?', må du forstå årsak og virkning.

gjemme seg