Jeśli śledzisz postępy w dziedzinie sztucznej inteligencji (AI), to wiesz, że modele AI to wszechstronne narzędzia, które doskonale sprawdzają się w pisaniu, tworzeniu grafiki i generowaniu modeli 3D. Ich możliwości mają jednak swoje granice. Ich słabym punktem jest przeprowadzanie testów robotów lub projektów pojazdów w zróżnicowanych środowiskach. Zasadniczo mają większe trudności z prawami fizyki niż z pikselami czy tekstem.
Co zatem utrudnia stworzenie systemu sztucznej inteligencji, który potrafiłby bezbłędnie odwzorować różne scenariusze fizyczne? Odpowiedź leży w niewiarygodnej skali wymaganych danych fizycznych, które w tej chwili pozostają poza naszym zasięgiem. Dostarczenie sieciom neuronowym wystarczającej liczby punktów danych, które będą w stanie przetworzyć, jest przedsięwzięciem czasochłonnym. Sieci te opierają się na algorytmach znanych jako “solwery numeryczne”, które pozwalają określić właściwości fizyczne w różnych obszarach obiektu 3D. Chociaż ta żmudna metoda zapewnia szczegółowe wyniki, jest dość powolna, co ogranicza dostępną ilość danych. Może to na przykład utrudniać ocenę bezpieczeństwa lub aerodynamiki projektów samolotów.
Naukowcy z Laboratorium Informatyki i Sztucznej Inteligencji MIT (CSAIL) oraz Uniwersytetu Tsinghua opracowali pionierską metodę wstępnego szkolenia o nazwie “GeoPT”. Podejście to pozwala modelom symulacyjnym skuteczniej uczyć się zasad fizyki poprzez wirtualne odtwarzanie codziennych interakcji mechanicznych w przestrzeni 3D. Dzięki GeoPT modele mogą zrozumieć, w jaki sposób cząstki oddziałują z obiektami, co zwiększa ich zdolność do dokładnego odzwierciedlania rzeczywistych scenariuszy. Co więcej, model ten może przewyższać wiodące modele, wykorzystując do szkolenia nawet o 60% mniej danych i osiągając optymalną wydajność dwukrotnie szybciej.
Wyobraźmy sobie, jaki wpływ może mieć GeoPT. Inżynierowie mogliby przewidywać, jak pojazdy, przedmioty gospodarstwa domowego i roboty reagują na różne czynniki fizyczne, takie jak wiatr, woda i zderzenia. Według naukowców te rewolucyjne badania mogą położyć podwaliny pod kompleksowy system fizyczny, który pomoże narzędziom sztucznej inteligencji rozszerzyć ich możliwości w zakresie różnych zadań.
Minghao Guo, doktorant na MIT i pracownik naukowy CSAIL, wyjaśnił ogromną wszechstronność ich przełomowego modelu. “Uważamy, że fizyka jest trzecią modalnością dla modeli sztucznej inteligencji, po tekście i pikselach” – stwierdził Guo. Model ten, oprócz przetwarzania danych tekstowych i wizualnych, zapewni dodatkowy poziom fizycznej dokładności, co pozwoli uzyskać bardziej realistyczne wyniki.
Korzystanie z GeoPT jest przyjazne dla użytkownika i zoptymalizowane pod kątem praktycznego zastosowania. Użytkownicy mogą wgrać modele 3D różnych obiektów, takich jak samoloty czy ciężarówki, oraz określić kierunek i prędkość siły, którą chcą symulować. Wynikiem jest mapa cieplna pokazująca, jak obiekt wytrzyma działanie różnych czynników — jest to przydatne narzędzie do symulacji różnorodnych scenariuszy, takich jak wypadki samochodowe czy wyporność łodzi w gorących dyskusjach.
Siła GeoPT w zakresie zrozumienia fizyki wynika z “dynamiki syntetycznej”, która obejmuje interakcje między małymi cząstkami a złożonymi kształtami 3D. Po przeanalizowaniu 1,3 miliona przykładów dynamiki syntetycznej model GeoPT opanował fizykę w sposób dogłębny. Osiągnięto to poprzez wizualizację sposobu, w jaki maleńkie kulki poruszały się z różnymi prędkościami i pod różnymi kątami, zanim zatrzymały się na obiekcie. Ta metoda uczenia się przypomina obserwację oddziaływań fizycznych przy użyciu kulek i figurek, umożliwiając modelom symulacyjnym zrozumienie zasad fizyki przed rozpoczęciem szkolenia na danych opatrzonych etykietami.
GeoPT wykazuje duży potencjał w zastosowaniach przemysłowych – od symulacji reakcji myśliwców na wiatr i oddziaływania łodzi z powietrzem oraz falami, aż po dokładne odtwarzanie zderzeń samochodów i zachowania światła, mimo braku wcześniejszego szkolenia w zakresie konkretnych modeli 3D czy fizyki światła. Jego zdolność do generowania w ciągu kilku sekund dokładnych symulacji o wysokiej wierności, obejmujących ponad 100 milionów punktów siatki, sprawia, że jest to nieocenione i wydajne narzędzie dla inżynierów.
W przyszłości zespół badawczy zamierza jeszcze bardziej udoskonalić swój system poprzez szkolenie go na szerszym zakresie kształtów oraz symulowanie złożonych zjawisk fizycznych, torując drogę do dokładnego modelowania zjawisk pogodowych, testowania materiałów oraz generowania bardziej realistycznych filmów.
Fei Sha, badaczka zajmująca się sztuczną inteligencją w firmie Meta, pochwala wykorzystanie syntetycznych danych dynamicznych jako innowacyjnego podejścia, które podważa tradycyjny pogląd, że fizyka i geometria wymagają specjalistycznych i kosztownych danych. Twierdzi ona, że jesteśmy w stanie szybko opracować podstawowe modele fizyczne, opierając się na sukcesach odnotowanych w różnych obszarach zastosowań.
Zainteresowały Cię te badania? Dowiedz się więcej na ten temat z oryginalny artykuł prasowy. Jeśli chcesz wdrożyć automatyzację opartą na sztucznej inteligencji w swojej firmie, zapoznaj się z możliwościami oferowanymi przez implementi.ai.
Ta strona używa plików cookie.