Wenn Sie die Entwicklungen im Bereich der künstlichen Intelligenz (KI) verfolgt haben, wissen Sie, dass KI-Modelle vielseitige Werkzeuge sind, die sich besonders beim Schreiben, bei der Erstellung von Grafiken und bei der Generierung von 3D-Modellen auszeichnen. Doch ihre Leistungsfähigkeit ist begrenzt. Wo sie an ihre Grenzen stoßen, ist die Durchführung von Tests an Robotern oder Fahrzeugkonstruktionen in unterschiedlichen Umgebungen. Im Grunde haben sie mit den Gesetzen der Physik mehr Schwierigkeiten als mit Pixeln oder Text.
Was hat also die Entwicklung eines KI-Systems behindert, das verschiedene physikalische Szenarien fehlerfrei abbilden kann? Die Antwort liegt in der unglaublichen Menge an physikalischen Daten, die dafür erforderlich ist und die derzeit noch unerreichbar ist. Es ist ein zeitaufwändiges Unterfangen, neuronalen Netzen genügend Datenpunkte zur Verfügung zu stellen, die sie verarbeiten können. Diese Netzwerke stützen sich auf eine Art von Algorithmus, der als “numerischer Solver” bekannt ist, um physikalische Eigenschaften in verschiedenen Bereichen einer 3D-Form zu ermitteln. Diese mühsame Methode liefert zwar detaillierte Ergebnisse, ist jedoch recht langsam, was die verfügbare Datenmenge einschränkt. So kann sie beispielsweise die Bewertung der Sicherheit oder der Aerodynamik von Flugzeugkonstruktionen einschränken.
Forscher des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT und der Tsinghua-Universität haben eine bahnbrechende Vortrainingsmethode namens “GeoPT” entwickelt. Dieser Ansatz ermöglicht es Simulationsmodellen, physikalische Zusammenhänge effektiver zu erlernen, indem alltägliche mechanische Interaktionen virtuell in 3D nachgestellt werden. Mit GeoPT können Modelle verstehen, wie Partikel mit Objekten interagieren, wodurch ihre Fähigkeit, reale Szenarien genau abzubilden, verbessert wird. Darüber hinaus kann dieses Modell führende Modelle übertreffen, da es mit bis zu 60% weniger Daten trainiert wird und die optimale Leistung doppelt so schnell erreicht.
Stellen Sie sich die Auswirkungen von GeoPT vor. Ingenieure könnten vorhersagen, wie Fahrzeuge, Haushaltsgegenstände und Roboter auf verschiedene physikalische Einflüsse wie Wind, Wasser und Kollisionen reagieren. Den Forschern zufolge könnte diese bahnbrechende Arbeit den Grundstein für ein umfassendes Physiksystem legen, das KI-Tools dabei unterstützt, ihre Fähigkeiten auf verschiedene Aufgaben auszuweiten.
Minghao Guo, Doktorand am MIT und Forscher am CSAIL, erläuterte die große Vielseitigkeit ihres bahnbrechenden Modells. “Wir glauben, dass die Physik nach Text und Pixeln die dritte Modalität für KI-Modelle ist”, erklärte Guo. Dieses Modell wird zusätzlich zur Verarbeitung von Text- und Bilddaten eine Ebene physikalischer Genauigkeit hinzufügen und so realistischere Ergebnisse liefern.
Die Nutzung von GeoPT ist benutzerfreundlich und für den praktischen Einsatz optimiert. Benutzer können 3D-Modelle verschiedener Objekte wie Flugzeuge oder Lkw hochladen und Richtung sowie Geschwindigkeit der Kraft festlegen, die sie simulieren möchten. Das Ergebnis ist eine Heatmap, die zeigt, wie das Objekt unterschiedlichen Einflüssen standhält – ein nützliches Werkzeug zur Simulation vielfältiger Szenarien wie Autounfälle oder den Auftrieb von Booten bei hitzigen Debatten.
Die Stärke von GeoPT beim Verständnis physikalischer Zusammenhänge beruht auf der “synthetischen Dynamik”, die die Wechselwirkungen zwischen kleinen Partikeln und komplexen 3D-Formen umfasst. Nach der Analyse von 1,3 Millionen Beispielen synthetischer Dynamik hat GeoPT ein fundiertes Verständnis der Physik entwickelt. Dies wurde erreicht, indem visualisiert wurde, wie sich winzige Kugeln mit unterschiedlichen Geschwindigkeiten und in verschiedenen Winkeln bewegten, bevor sie an einem Objekt zum Stillstand kamen. Diese Lernmethode ähnelt der Beobachtung physikalischer Wechselwirkungen mithilfe von Murmeln und Actionfiguren und ermöglicht es Simulationsmodellen, ein Verständnis der Physik zu erlangen, bevor sie anhand von beschrifteten Daten trainiert werden.
GeoPT zeigt vielversprechende Ergebnisse bei industriellen Anwendungen – von der Simulation des Verhaltens von Kampfflugzeugen bei Wind bis hin zur Wechselwirkung von Booten mit Luft und Wellen und sogar zur präzisen Nachbildung von Autounfällen und des Verhaltens von Licht, obwohl es zuvor nicht auf bestimmte 3D-Modelle oder die Lichtphysik trainiert wurde. Seine Fähigkeit, innerhalb von Sekunden präzise, hochauflösende Simulationen mit über 100 Millionen Netzpunkten zu erzeugen, macht es zu einem unschätzbaren und effizienten Werkzeug für Ingenieure.
Mit Blick auf die Zukunft beabsichtigt das Forschungsteam, sein System weiter zu verbessern, indem es es anhand einer größeren Bandbreite an Formen trainiert und komplexe physikalische Phänomene simuliert, um so den Weg für eine genaue Modellierung von Wetterphänomenen, Materialtests und eine realistischere Videogenerierung zu ebnen.
Fei Sha, KI-Forscherin bei Meta, lobt die Verwendung synthetischer Bewegungsdaten als innovativen Ansatz, der der traditionellen Auffassung widerspricht, dass Physik und Geometrie spezielle und teure Daten erfordern. Sie betont, dass wir aufgrund der Erfolge in verschiedenen Anwendungsbereichen gut aufgestellt sind, um schnell physikalische Grundmodelle zu entwickeln.
Finden Sie diese Forschungsarbeit interessant? Erfahren Sie mehr darüber unter Originalnachrichtenartikel. Wenn Sie daran interessiert sind, KI-Automatisierung in Ihr Unternehmen zu integrieren, entdecken Sie die Möglichkeiten mit implementi.ai.
Diese Website verwendet Cookies.