211service.com
Hoe speciale relativiteit AI kan helpen de toekomst te voorspellen
Etienne-Jules Marey
Niemand weet wat zal gebeuren in de toekomst , maar sommige gissingen zijn een stuk beter dan andere. Een geschopte voetbal keert niet terug in de lucht en keert niet terug naar de voet van de kicker. Een half opgegeten cheeseburger wordt niet meer heel. Een gebroken arm geneest niet van de ene op de andere dag.
Door te putten uit een fundamentele beschrijving van oorzaak en gevolg in Einsteins speciale relativiteitstheorie, zijn onderzoekers van het Imperial College London tot een manier om AI's te helpen betere gissingen te maken te.
De wereld vordert stap voor stap, elk moment komt voort uit de voorgaande. We kunnen goede gissingen maken over wat er daarna gebeurt, omdat we sterke intuïties hebben over oorzaak en gevolg, aangescherpt door te observeren hoe de wereld werkt vanaf het moment dat we worden geboren en die observaties te verwerken met hersenen die zijn vastgemaakt door miljoenen jaren van evolutie.
Computers vinden causaal redeneren echter moeilijk. Machine learning-modellen blinken uit in het ontdekken van correlaties, maar hebben moeite om uit te leggen waarom de ene gebeurtenis op de andere zou moeten volgen. Dat is een probleem, want zonder een gevoel van oorzaak en gevolg kunnen voorspellingen er helemaal naast zitten. Waarom zou een voetbal tijdens de vlucht niet omgekeerd moeten zijn?
Dit is een bijzondere zorg met AI-aangedreven diagnose . Ziekten zijn vaak gecorreleerd met meerdere symptomen. Mensen met diabetes type 2 hebben bijvoorbeeld vaak overgewicht en zijn kortademig. Maar de kortademigheid wordt niet veroorzaakt door de diabetes, en het behandelen van een patiënt met insuline helpt niet bij dat symptoom.
De AI-gemeenschap beseft hoe belangrijk causaal redeneren zou kunnen zijn voor machine learning en klauteren om manieren te vinden om het vast te schroeven.
Onderzoekers hebben verschillende manieren geprobeerd om computers te helpen voorspellen wat er zou kunnen gebeuren. Bestaande benaderingen trainen een machine learning-model frame voor frame om patronen in reeksen van acties te herkennen. Laat de AI een paar frames zien van een trein die uit een station rijdt en vraag hem vervolgens om bijvoorbeeld de volgende paar frames in de reeks te genereren.
AI's kunnen goed een paar frames in de toekomst voorspellen, maar de nauwkeurigheid neemt sterk af na vijf of tien frames, zegt Athanasios Vlontzos van Imperial College London. Omdat de AI voorgaande frames gebruikt om de volgende in de reeks te genereren, worden kleine fouten die in het begin worden gemaakt - bijvoorbeeld een paar glitchy pixels - verergerd tot grotere fouten naarmate de reeks vordert.
Vlontzos en zijn collega's wilden een andere aanpak proberen. In plaats van een AI te laten leren om een specifieke reeks toekomstige frames te voorspellen door miljoenen videoclips te bekijken, lieten ze het een hele reeks frames genereren die ongeveer gelijk waren aan de voorgaande en vervolgens de frames te kiezen die het meest waarschijnlijk zouden komen. De volgende. De AI kan gissingen doen over de toekomst zonder iets te hoeven leren over het tijdsverloop, zegt Vlontzos.
Om dit te doen, ontwikkelde het team een algoritme geïnspireerd op lichtkegels, een wiskundige beschrijving van de grenzen van oorzaak en gevolg in ruimtetijd, die voor het eerst werd voorgesteld in Einsteins speciale relativiteitstheorie en later verfijnd door zijn voormalige professor Hermann Minkowski. Lichtkegels ontstaan in de natuurkunde omdat de lichtsnelheid constant is. Ze tonen de zich uitbreidende grenzen van een lichtstraal - en al het andere - zoals het voortkomt uit een eerste gebeurtenis, zoals een explosie.
Pak een vel papier en markeer er een gebeurtenis op met een punt. Teken nu een cirkel met die gebeurtenis in het midden. De afstand tussen de stip en de rand van de cirkel is de afstand die het licht in een bepaalde tijd heeft afgelegd, bijvoorbeeld één seconde. Omdat niets, zelfs geen informatie, sneller kan reizen dan het licht, vormt de rand van deze cirkel een harde grens op de causale invloed van de oorspronkelijke gebeurtenis. In principe kan alles binnen de cirkel door de gebeurtenis zijn beïnvloed; iets buiten kon niet.
Na twee seconden heeft het licht twee keer de afstand afgelegd en is de cirkel verdubbeld: er zijn nu veel meer mogelijke toekomsten voor die oorspronkelijke gebeurtenis. Stel je deze steeds grotere cirkels voor die seconde na seconde uit het vel papier oprijzen, en je hebt een omgekeerde kegel met de originele gebeurtenis aan de punt. Dit is een lichtkegel. Een spiegelbeeld van de kegel kan zich ook naar achteren uitstrekken, achter het vel papier; het zal alle mogelijke verledens bevatten die tot de oorspronkelijke gebeurtenis hadden kunnen leiden.
Vlontzos en zijn collega's gebruikten dit concept om de toekomstige frames te beperken die een AI zou kunnen kiezen. Ze testten het idee op twee datasets: MNIST verplaatsen , dat bestaat uit korte videoclips van handgeschreven cijfers die op een scherm bewegen, en de KTH menselijke actie serie , die clips bevat van mensen die lopen of met hun armen zwaaien. In beide gevallen hebben ze de AI getraind om frames te genereren die lijken op die in de dataset. Maar het belangrijkste was dat de frames in de trainingsdataset niet in volgorde werden getoond, en het algoritme leerde niet hoe een reeks moest worden voltooid.
Vervolgens vroegen ze de AI om te kiezen welke van de nieuwe frames een andere zouden volgen. Om dit te doen, groepeerde de AI gegenereerde frames op overeenkomst en gebruikte vervolgens het lichtkegelalgoritme om een grens te trekken rond de frames die causaal gerelateerd konden zijn aan het gegeven frame. Ondanks dat hij niet was getraind om een reeks voort te zetten, kon de AI nog steeds goede gissingen maken over welke frames daarna kwamen. Als je de AI een frame geeft waarin een kortharige persoon met een shirt loopt, dan zal de AI frames afwijzen die een persoon met lang haar of geen shirt laten zien, zegt Vlontzos. Het werk bevindt zich in de laatste fase van beoordeling op NeurIPS, een grote conferentie over machine learning
Een voordeel van de aanpak is dat het zou moeten werken met verschillende soorten machine learning, zolang het model nieuwe frames kan genereren die vergelijkbaar zijn met die in de trainingsset. Het kan ook worden gebruikt om de nauwkeurigheid te verbeteren van bestaande AI's die zijn getraind op videosequenties.
Om de aanpak te testen, liet het team de kegels met een vaste snelheid uitzetten. Maar in de praktijk zal dit tarief variëren. Een bal op een voetbalveld heeft meer mogelijke toekomstige posities dan een bal die bijvoorbeeld over rails rijdt. Dit betekent dat je een kegel nodig hebt die sneller uitzet voor het voetbal.
Om deze snelheden uit te werken, moet je diep in de thermodynamica duiken, wat niet praktisch is. Voorlopig is het team van plan om de diameter van de kegels met de hand in te stellen. Maar door bijvoorbeeld een video van een voetbalwedstrijd te bekijken, zou de AI kunnen leren hoeveel en hoe snel objecten zich verplaatsen, waardoor het de diameter van de kegel zelf zou kunnen bepalen. Een AI kan ook on-the-fly leren, observeren hoe snel een echt systeem verandert en de kegelgrootte aanpassen om het aan te passen.
Voor veel toepassingen is het voorspellen van de toekomst belangrijk. Zelfrijdende voertuigen moeten kunnen voorspellen of een kind op het punt staat de weg op te rennen of dat een wiebelende fietser een gevaar vormt. Robots die moeten communiceren met fysieke objecten, moeten kunnen voorspellen hoe die objecten zich zullen gedragen wanneer ze worden verplaatst. Voorspellende systemen zijn in het algemeen nauwkeuriger als ze kunnen redeneren over oorzaak en gevolg in plaats van alleen over correlatie.
Maar Vlontzos en zijn collega's zijn vooral geïnteresseerd in geneeskunde. Een AI zou kunnen worden gebruikt om te simuleren hoe een patiënt op een bepaalde behandeling zou kunnen reageren, bijvoorbeeld door stap voor stap uit te zoeken hoe die behandeling zou kunnen verlopen. Door al deze mogelijke uitkomsten te creëren, kun je zien hoe een medicijn een ziekte zal beïnvloeden, zegt Vlontzos. De aanpak kan ook worden gebruikt met medische beelden. Gegeven een MRI-scan van een brein, zou een AI de waarschijnlijke manieren kunnen identificeren waarop een ziekte zich zou kunnen ontwikkelen.
Het is heel gaaf om te zien dat hiervoor ideeën uit de fundamentele natuurkunde worden geleend, zegt Ciaran Lee, een onderzoeker die werkt aan causale inferentie bij Spotify en University College London. Een begrip van causaliteit is erg belangrijk als je acties of beslissingen wilt nemen in de echte wereld, zegt hij. Het raakt de kern van hoe dingen worden zoals ze zijn: als je ooit de vraag 'Waarom?' wilt stellen, moet je oorzaak en gevolg begrijpen.