بروزرسانی: 17 تیر 1404
بینایی کامپیوتری ترکیبی با هوش مصنوعی ترکیبی از فیزیک و کلان داده -- ScienceDaily
منتشر شده در هوش ماشین طبیعت، این مطالعه مروری بر یک روش ترکیبی ارائه داد که برای بهبود نحوه حس، تعامل و واکنش ماشین های مبتنی بر هوش مصنوعی به محیط در زمان واقعی طراحی شده است - مانند نحوه حرکت و مانور وسایل نقلیه خودران، یا نحوه استفاده روبات ها از فناوری بهبود یافته برای انجام دقیق. اقدامات.
محققان UCLA و آزمایشگاه تحقیقاتی ارتش ایالات متحده رویکرد جدیدی را برای تقویت فناوری های بینایی کامپیوتری مبتنی بر هوش مصنوعی با افزودن آگاهی مبتنی بر فیزیک به تکنیک های داده محور ارائه کرده اند.
بینایی رایانه ای به هوش مصنوعی اجازه می دهد تا با رمزگشایی داده ها و استنتاج ویژگی های دنیای فیزیکی از تصاویر، محیط اطراف خود را ببیند و درک کند. در حالی که چنین تصاویری از طریق فیزیک نور و مکانیک شکل می گیرند، تکنیک های بینایی کامپیوتری سنتی عمدتاً بر یادگیری ماشین مبتنی بر داده متمرکز شده اند تا عملکرد را افزایش دهند. تحقیقات مبتنی بر فیزیک، در مسیری جداگانه، برای کشف اصول فیزیکی مختلف در پشت بسیاری از چالش های بینایی رایانه ایجاد شده است.
منبع
نویسندگان دیگر این مقاله عبارتند از سلسو د ملو، دانشمند کامپیوتر آزمایشگاه تحقیقات ارتش و استفانو سواتو، استاد دانشگاه UCLA، استاد علوم کامپیوتر. چو جوی هسیه، دانشیار علوم کامپیوتر و مانی سریواستاوا، استاد مهندسی برق و کامپیوتر و علوم کامپیوتر.
تیم تحقیقاتی سه راه را که در آن فیزیک و داده ها شروع به ترکیب با هوش مصنوعی بینایی کامپیوتری می کنند، ترسیم کردند:
- ادغام فیزیک در مجموعه داده های هوش مصنوعی اشیاء را با اطلاعات اضافی برچسب گذاری کنید، مانند سرعت حرکت آنها یا وزن آنها، مشابه شخصیت های بازی های ویدیویی
- ادغام فیزیک در معماری شبکه داده ها را از طریق یک فیلتر شبکه اجرا کنید که ویژگی های فیزیکی را در آنچه دوربین ها انتخاب می کنند کد می کند
- ادغام فیزیک در عملکرد از دست دادن شبکه از دانش ساخته شده بر روی فیزیک استفاده کنید تا به هوش مصنوعی کمک کند تا داده های آموزشی را بر اساس آنچه مشاهده می کند تفسیر کند
هدف مطالعه UCLA، بهره برداری از قدرت دانش عمیق از داده ها و دانش دنیای واقعی فیزیک برای ایجاد یک هوش مصنوعی ترکیبی با قابلیت های پیشرفته است.
این سه خط تحقیق قبلاً نتایج دلگرم کننده ای در بهبود بینایی رایانه به همراه داشته است. برای مثال، رویکرد ترکیبی به هوش مصنوعی اجازه می دهد تا حرکت یک شی را با دقت بیشتری ردیابی و پیش بینی کند و می تواند تصاویر دقیق و با وضوح بالا را از صحنه هایی که در اثر آب و هوای نامساعد پنهان شده اند تولید کند.
به گفته محققان، با پیشرفت مداوم در این رویکرد دوگانه، هوش مصنوعی مبتنی بر یادگیری عمیق حتی ممکن است به تنهایی شروع به یادگیری قوانین فیزیک کنند.
گنجاندن درک فیزیک - قوانین حاکم بر جرم، حرکت و موارد دیگر - در توسعه شبکه های عصبی، که در آن هوش مصنوعی با میلیاردها گره از مغز انسان مدل سازی می شود تا مجموعه های داده های تصویری عظیم را خرد کند، چالش برانگیز بوده است. درک درستی از آنچه "می بینند" به دست آورند. اما اکنون چند خط تحقیقاتی امیدوارکننده وجود دارد که به دنبال افزودن عناصر آگاهی فیزیک به شبکه های داده محور در حال حاضر قوی هستند.
نویسنده: تیم تحریریه Matthew Newman