Искусственный интеллект для научных исследований

Искусственный интеллект распространяется на все сферы повседневной жизни, включая научные исследования. Искусственные нейронные сети(ИНС) учатся решать сложные задачи, обучаясь на основе огромного количества примеров. Исследователям из Института астрофизики им. Макса Планка в Гархинге теперь удалось объединить несколько искусственных нейронных сетей, каждая из которых специализируется на разных задачах, для совместного решения задач в областях, в которых первоначально не обучались. Это позволяет перерабатывать дорогостоящие обученные сети и это является важным шагом на пути к универсальному дедуктивному искусственному интеллекту.

В астрофизике искусственный интеллект (ИИ) классифицирует галактики, звезды и другие объекты. Системы искусственного интеллекта помогают контролировать телескопы и анализировать их данные. Они обрабатывают объемы данных, которые ни один человек не сможет обработать. Кроме того, ИИ все чаще используются за пределами исследований почти во всех областях: от потоковых сервисов до предоставления пользователям индивидуальных предложений, от автономного вождения до диагностических систем в медицине.

Обучение ИИ сложное и дорогое. Достаточно большой и предварительно классифицированный набор данных должен быть собран. Основываясь на этом, искусственная нейронная сеть учится выполнять определенную задачу, например, оценивать возраст изображаемого человека. ИИ также могут быть обучены генерировать реалистичные примеры, демонстрирующие характеристики обучающих данных, например, высококачественные портреты. В процессе интенсивного обучения сети усваивают характерные черты и понятия изучаемых лиц или других объектов. Таким образом, сети становятся представителями обученной концепции. Обеспечение доступности обученных сетей для других задач является предметом современных исследований ИИ.

В группе по теории информационного поля в Институте астрофизики им. Макса Планка исследователи Якоб Ноллмюллер и Торстен Энслин в настоящее время преуспели в объединении уже обученных сетей таким образом, чтобы они совместно справлялись с задачами, в которых ни одна из них не смогла бы справиться самостоятельно. Способ объединения сетей является полностью общим и может использоваться для множества различных приложений без необходимости обучения новой сети. Сеть разумно объединяется с одной или несколькими классифицирующими сетями для создания примеров, которые удовлетворяют требуемым свойствам. Таким образом, можно решать сложные задачи.

Например, ИИ для создания лиц можно комбинировать с ИИ для определения возраста и пола фотографируемых людей. Объединенный ИИ затем генерирует набор возможных изображений людей, которые согласуются с неполными и зашумленными данными лица (Рис.1 и 2). Поскольку обычно нет уверенности в правильном решении задач такого рода, этот набор изображений содержит ответ ИИ. Из них можно рассчитать среднее изображение и его неопределенность при необходимости (рис. 3).

Для интеграции различных типов информации объединенный ИИ использует так называемую байесовскую логику, которая использует вероятности вместо двоичной «истинной» или «ложной» математической логики. Байесовские вероятности позволяют включать неопределенные знания; в приведенном здесь примере это будет информация о том, что человек, вероятно, женщина и ей около 30 лет. Байесовские вероятности оптимально поддерживают обработку неполных и зашумленных данных, таких как грубое входное изображение. 

Идея объединения ИИ с байесовской логикой не нова. Однако технические трудности до сих пор мешали реализации. Исследователи смогли преодолеть это препятствие благодаря новому методу, изначально разработанному для улучшения восстановления изображения в астрономии. Эта процедура, называемая метрическим гауссовым вариационным выводом (MGVI), позволяет выполнять очень большие реконструкции с миллионами и миллионами неизвестных величин, не упуская из виду их многообразные взаимозависимости. Первым применением MGVI была трехмерная реконструкция распределения галактической пыли с использованием теории информационного поля.

Источник: Max Planck Institute for Astrophysics

Вас также может заинтересовать:

Наблюдая за людьми, роботы учатся выполнять сложные задачи, например, накрывать на стол