مقالات

یک رویکرد جدید، مدل‌های هوش مصنوعی از لحاظ فیزیکی سازگار سیستم‌های آشفته را فعال می‌کند | اخبار MIT



یک رویکرد جدید، مدل‌های هوش مصنوعی از لحاظ فیزیکی سازگار سیستم‌های آشفته را فعال می‌کند | اخبار MIT

مدل سازی فرآیندهای پیچیده و پر هرج و مرج مانند الگوهای آب و هوا و آب و هوا و جریان های متلاطم در هوانوردی یا در جریان های اقیانوسی در سال های اخیر پیشرفت فوق العاده ای داشته است. با این حال، چنین مدل هایی هنوز هم در طول زمان به پیش بینی های فیزیکی غیرممکن تبدیل می شوند.

اکنون، محققان آزمایشگاه MIT برای سیستم‌های اطلاعات و تصمیم‌گیری (LIDS) راهی برای معرفی محدودیت‌های مبتنی بر فیزیک در مدل‌های یادگیری ماشین پیدا کرده‌اند که می‌تواند تضمین کند که چنین مدل‌هایی هرگز از محدودیت‌های واقعی تجاوز نمی‌کنند، بر اساس آنچه واقعاً در دنیای واقعی ممکن است. این رویکرد جدید، با استفاده از اطلاعاتی که اکنون به صورت رایگان توسط تیم ارائه می‌شود، می‌تواند کاربرد و قابلیت اطمینان چنین مدل‌هایی را که علاوه بر آب و هوا و آب‌وهوا، در طیف گسترده‌ای از فرآیندهای صنعتی، هوانوردی و هیدرولوژی استفاده می‌شوند، تا حد زیادی بهبود بخشد.

یافته های جدید در منتشر شده است مجموعه مقالات آکادمی ملی علوم (PNAS) در گزارشی توسط دانشجوی فارغ التحصیل MIT، Sunbochen Tang و اساتید MIT، نوید عزیزان و Themistoklis Sapsis.

ساپسیس، استاد مهندسی مکانیک و وابسته به LIDS گفت: «فقدان ضمانت‌های پاسخ محدود همیشه یک مانع بزرگ در فرمول‌بندی مدل‌های مبتنی بر داده برای سیستم‌های پیچیده غیرخطی بوده است. او می‌گوید رویکردی که این تیم توسعه داده است، “راه را برای بکارگیری پیشرفته‌ترین معماری‌های یادگیری ماشین برای پیش‌بینی و کنترل در بسیاری از مشکلات دنیای واقعی، حتی مشکلاتی که با ناپایداری‌های ذاتی مشخص می‌شوند، هموار می‌کند.”

توسعه مدل های قابل اعتماد برای سیستم های دینامیکی پیچیده در بسیاری از زمینه ها مهم است. در دینامیک سیالات، جریان‌های متلاطم می‌توانند سفر هوایی را مختل کنند، کارایی توربین‌های بادی را کاهش دهند و بر مصرف سوخت خودروها تأثیر بگذارند. به طور مشابه، در پیش‌بینی آب و هوا، ماهیت آشفته دینامیک جوی پیش‌بینی دقیق بلندمدت را دشوار می‌کند.

عزیزان می‌گوید: «تفاوت‌های کوچک در شرایط اولیه می‌تواند به نتایج بسیار متفاوتی در یک سیستم آشفته منجر شود. این امر پیش‌بینی رفتار آن را در آینده بسیار دشوار می‌کند.» با این حال همیشه محدودیت های فیزیکی برای انواع تغییراتی که در دنیای واقعی امکان پذیر است وجود دارد.

هرج و مرج به این معنا نیست که هر چیزی ممکن است اتفاق بیفتد. عزیزان، دانشیار هیز در دپارتمان مهندسی مکانیک و مؤسسه داده‌ها، سیستم‌ها و جامعه و محقق اصلی LIDS، می‌گوید که چگونه می‌توان این محدودیت‌ها را در مدل‌ها وارد کرد، یک مشکل خاردار است.

او می‌گوید: «یک مدل می‌تواند برای مدت زمان کوتاهی با داده‌ها مطابقت داشته باشد و زمانی که شما اجازه دهید برای مدت طولانی کار کند، باز هم از کار بیفتد. “خطاهای کوچک می توانند تا زمانی که شبیه سازی مقادیری را تولید کند که بدون محدودیت رشد می کنند، انباشته شوند” و پیش بینی هایی را ایجاد می کند که هرگز نمی توانند در سیستم های واقعی رخ دهند.

او می‌گوید: «این یک مشکل اساسی در بسیاری از مدل‌های یادگیری ماشینی موجود است. این سوالی است که اغلب در زمینه‌های مختلف مطرح می‌شود: چگونه می‌توانیم محدودیت‌های فیزیکی را در این مدل‌ها به‌گونه‌ای ایجاد کنیم که انعطاف‌پذیری آن‌ها حفظ شود اما نتایج معنادار فیزیکی را تضمین کنیم؟

او می‌گوید: «ما می‌خواهیم هرج و مرج را بدون رفتار فرار مصنوعی که سیستم واقعی ندارد، حفظ کنیم. “رویکرد ما به مدل اتاق می دهد تا پویایی های پیچیده را بیاموزد و در عین حال اطمینان حاصل شود که مسیرهای آن محدود باقی می مانند.” این اولین کار برای ایجاد چنین تضمین های رسمی برای مدل های یادگیری ماشینی آشوب است.

تانگ، دانشجوی دکترا در دپارتمان هوانوردی و فضانوردی و LIDS، می‌گوید که تلاش‌های قبلی برای جلوگیری از نتایج غیرواقعی از چنین مدل‌هایی اغلب بر «تحمیل جریمه‌ها یا مشوق‌ها در حین آموزش» متکی بود که با استفاده از ویژگی‌هایی که اغلب بر اساس اطلاعات ممتاز درباره سیستم طراحی شده‌اند. اما از آنجایی که آنها فقط در طول فرآیند آموزش برای مدل اعمال می شوند، “هیچ تضمینی وجود ندارد که مدل محدودیت های اساسی اعمال شده توسط چنین محرک هایی را در طول آزمایش برآورده کند” پس از برخورد با ورودی های جدید در هنگام استفاده واقعی. او می گوید: «این مدل هنوز هم می تواند پیش بینی های نامحدودی تولید کند.

تانگ توضیح می‌دهد که برای نشان دادن اینکه چرا تحمیل مرزهای دلخواه راه‌حل رضایت‌بخشی برای مشکل پایداری پیش‌بینی نیست، «شما می‌توانید پیش‌بینی‌ها را محدود کنید، به‌عنوان مثال، با تعیین یک حد دلخواه بر روی مقادیر فیزیکی، مانند 100 درجه برای دما. این یکی از راه‌های ممکن برای حفظ پیش‌بینی‌ها محدود است، اما می‌تواند مستقیماً نشان‌دهنده ویژگی‌های پیچیده باشد و می‌تواند ویژگی‌های پیچیده را محدود کند. داده.”

او می‌گوید: «آنچه رویکرد ما را متمایز می‌کند این است که محدودیت‌های مبتنی بر انرژی را فرموله می‌کنیم. ما به مدل اجازه می‌دهیم عملکردی شبیه انرژی را بر اساس سیستم‌های آشفته دنیای واقعی بیاموزد، جایی که اتلاف انرژی به حفظ مسیرها با وجود رفتار پیچیده‌شان کمک می‌کند. “به طور خاص، مدل یک تابع انرژی مانند همراه با مرزی را می آموزد که رفتار آشفته آن باید محدود شود. سپس یک لایه طرح ریزی را اضافه می کنیم، یک جزء که روشی را تنظیم می کند که مدل پیش بینی می کند سیستم تکامل خواهد یافت تا اتلاف انرژی را به عنوان یک محدودیت سخت اعمال کند. فراتر از این محدوده، کمیت انرژی مانند باید ایجاد شود، بنابراین می توانیم به سیستم محدود کاهش دهیم. تئوری تضمین می کند که پیش بینی مدل در پنجره های پیش بینی خودسرانه طولانی محدود می شود.

این تیم رویکرد خود را بر روی بسیاری از سیستم‌های فیزیکی شناخته‌شده مختلف، از موارد کتاب درسی ساده گرفته تا سیستم‌های چند بعدی بسیار پیچیده، آزمایش کردند و دریافتند که رویکرد آنها با نتایج واقعی مطابقت دارد، در حالی که رویکردهای مرسوم به زودی به پیش‌بینی‌های غیرممکن تبدیل شدند.

عزیزان می افزاید: «تفاوت اصلی رویکرد ما با رویکردهای موجود، چیزی است که ما آن را محدودیت سخت در مقابل محدودیت نرم می نامیم». در حالی که بسیاری از رویکردهای فعلی سعی می‌کنند مدل را برای برآوردن محدودیت‌ها تحریک کنند، اما به عنوان محدودیت‌های سخت تلقی نمی‌شوند. رویکرد ما مبتنی بر مفهوم شبکه‌های عصبی با محدودیت سخت است، به طوری که آنچه که ظاهر می‌شود «همیشه از نظر فیزیکی سازگار است، حتی اگر یک مورد کاملاً جدید باشد که مدل آن را ندیده است».

عزیزان می‌گوید: «مدل‌های هوش مصنوعی در سناریوهایی که حجم زیادی از داده‌ها در دسترس است، می‌درخشند، مانند تصاویر یا متن، که هر دو به وفور در اینترنت در دسترس هستند. با این حال، او می‌گوید: «برای بسیاری از سیستم‌های فیزیکی، داده‌ها آنقدر زیاد نیستند». او می‌گوید برای چنین مواردی که داده‌ها محدود است، “این رویکردهای محدود فیزیکی می‌توانند کمک زیادی کنند، زیرا فیزیک مشکل منبع دیگری از اطلاعات است.”

رویکرد جدید به طور گسترده برای هر سیستم هرج و مرج مفید است. تانگ می‌گوید: «این به راحتی برای طیف وسیعی از معماری‌های شبکه عصبی قابل اجرا است. آنها قصد دارند به آزمایش آن بر روی سیستم های بزرگتر و بزرگتر ادامه دهند. ما در تلاشیم تا ببینیم که این کار تا چه اندازه روی مدل‌های مبتنی بر داده‌های سیستم‌های آب‌وهوای واقعی کار می‌کند.»

عزیزان می گوید: “لایه طرح ریزی مدولار است: مدل آگنوستیک است و می تواند با معماری های مختلف شبکه عصبی کار کند.” ما امیدواریم که سایر محققین و پزشکان بر روی آن بنا کنند و آن را بر روی مشکلات بزرگتر و حتی پیچیده تر آزمایش کنند.” این مقاله به همراه کد منبع باز، اکنون به صورت آنلاین در PNAS در دسترس است.

کار پیگیری امسال توسط اعضای تیم در کنفرانس دینامیک و کنترل یادگیری ارائه شد. این مقاله برنده جایزه بهترین مقاله در کنفرانس شد.

عزیزان می گوید: «هوش مصنوعی قابل اعتماد و قابل اعتماد به چیزی بیش از اثبات اینکه یک مدل معمولاً کار می کند نیاز دارد. “برای برنامه‌های پرمخاطره، به تضمین‌هایی در مورد ویژگی‌هایی نیاز دارید که همیشه باید وجود داشته باشند. در این کار، ما یک چنین تضمینی را ایجاد کرده‌ایم: محدود بودن. هدف گسترده‌تر ما این است که اصول را بخشی از نحوه ساخت مدل‌های هوش مصنوعی کنیم، نه فقط نحوه آزمایش آنها.”


Source link

نوشته های مشابه

دیدگاهتان را بنویسید

دکمه بازگشت به بالا