In che modo la relatività speciale può aiutare l'IA a prevedere il futuro

Etienne-Jules Marey

Nessuno sa cosa lo farà accadere in futuro , ma alcune ipotesi sono molto meglio di altre. Un calcio calciato non si invertirà a mezz'aria e tornerà al piede del calciatore. Un cheeseburger mezzo mangiato non tornerà intero. Un braccio rotto non guarirà dall'oggi al domani.

Basandosi su una descrizione fondamentale di causa ed effetto che si trova nella teoria della relatività speciale di Einstein, i ricercatori dell'Imperial College di Londra hanno elaborato un modo per aiutare le IA a fare ipotesi migliori pure.

Il mondo avanza passo dopo passo, ogni istante emerge da quelli che lo precedono. Possiamo fare buone ipotesi su ciò che accadrà dopo perché abbiamo forti intuizioni su causa ed effetto, affinate osservando come funziona il mondo dal momento in cui nasciamo ed elaborando quelle osservazioni con cervelli cablati da milioni di anni di evoluzione.

I computer, tuttavia, trovano difficile il ragionamento causale. I modelli di apprendimento automatico eccellono nell'individuare le correlazioni, ma hanno difficoltà a spiegare perché un evento dovrebbe seguirne un altro. Questo è un problema, perché senza un senso di causa ed effetto, le previsioni possono essere terribilmente sbagliate. Perché un calcio non dovrebbe invertire il volo?

Questa è una preoccupazione particolare con Diagnosi basata sull'intelligenza artificiale . Le malattie sono spesso correlate a più sintomi. Ad esempio, le persone con diabete di tipo 2 sono spesso in sovrappeso e hanno dispnea. Ma la mancanza di respiro non è causata dal diabete e il trattamento di un paziente con insulina non aiuterà con quel sintomo.

La comunità dell'IA si sta rendendo conto di quanto sia importante ragionamento causale potrebbe essere per l'apprendimento automatico e stanno cercando di trovare il modo di bloccarlo.

I ricercatori hanno provato vari modi per aiutare i computer a prevedere cosa potrebbe accadere dopo. Gli approcci esistenti addestrano un modello di apprendimento automatico fotogramma per fotogramma per individuare i modelli in sequenze di azioni. Mostra all'IA alcuni fotogrammi di un treno che esce da una stazione e poi chiedigli di generare i prossimi fotogrammi nella sequenza, ad esempio.

Le IA possono fare un buon lavoro nel prevedere alcuni frame nel futuro, ma la precisione diminuisce drasticamente dopo cinque o 10 frame, afferma Athanasios Vlontzos dell'Imperial College di Londra. Poiché l'IA utilizza i fotogrammi precedenti per generare il successivo nella sequenza, i piccoli errori commessi all'inizio, ad esempio alcuni pixel difettosi, vengono combinati in errori più grandi man mano che la sequenza avanza.

Vlontzos ei suoi colleghi volevano provare un approccio diverso. Invece di fare in modo che un'intelligenza artificiale imparasse a prevedere una sequenza specifica di fotogrammi futuri guardando milioni di clip video, le hanno permesso di generare un'intera gamma di fotogrammi che erano più o meno simili ai precedenti e quindi di selezionare quelli che avrebbero avuto più probabilità di arrivare prossimo. L'IA può fare ipotesi sul futuro senza dover imparare nulla sulla progressione del tempo, afferma Vlontzos.

Per fare ciò, il team ha sviluppato un algoritmo ispirato ai coni di luce, una descrizione matematica dei confini di causa ed effetto nello spaziotempo, proposta per la prima volta nella teoria della relatività speciale di Einstein e successivamente perfezionata dal suo ex professore Hermann Minkowski. I coni di luce emergono in fisica perché la velocità della luce è costante. Mostrano i limiti in espansione di un raggio di luce - e tutto il resto - come emana da un evento iniziale, come un'esplosione.

Prendi un foglio di carta e segna un evento su di esso con un punto. Ora disegna un cerchio con quell'evento al centro. La distanza tra il punto e il bordo del cerchio è la distanza percorsa dalla luce in un periodo di tempo, diciamo un secondo. Poiché nulla, nemmeno l'informazione, può viaggiare più veloce della luce, il bordo di questo cerchio è un confine rigido sull'influenza causale dell'evento originale. In linea di principio, qualsiasi cosa all'interno del cerchio potrebbe essere stata influenzata dall'evento; nulla al di fuori non potrebbe.

Dopo due secondi, la luce ha percorso il doppio della distanza e le dimensioni del cerchio sono raddoppiate: ora ci sono molti più futuri possibili per quell'evento originale. Immagina questi cerchi sempre più grandi che salgono secondo dopo secondo dal foglio di carta e hai un cono capovolto con l'evento originale sulla punta. Questo è un cono di luce. Un'immagine speculare del cono può estendersi anche all'indietro, dietro il foglio di carta; conterrà tutti i possibili passati che avrebbero potuto portare all'evento originale.

Vlontzos e i suoi colleghi hanno utilizzato questo concetto per limitare i frame futuri che un'IA potrebbe scegliere. Hanno testato l'idea su due set di dati: MNIST in movimento , che consiste in brevi clip video di cifre scritte a mano che si muovono sullo schermo, e il Serie di azioni umane KTH , che contiene clip di persone che camminano o agitano le braccia. In entrambi i casi, hanno addestrato l'IA a generare frame simili a quelli nel set di dati. Ma soprattutto i frame nel set di dati di addestramento non sono stati mostrati in sequenza e l'algoritmo non stava imparando come completare una serie.

Hanno quindi chiesto all'IA di scegliere quale dei nuovi frame avrebbe avuto maggiori probabilità di seguirne un altro. Per fare ciò, l'IA ha raggruppato i frame generati per somiglianza e quindi ha utilizzato l'algoritmo del cono di luce per tracciare un confine attorno a quelli che potrebbero essere causalmente correlati al frame dato. Nonostante non sia stata addestrata per continuare una sequenza, l'IA potrebbe comunque fare buone ipotesi su quali fotogrammi sono arrivati ​​dopo. Se dai all'IA una cornice in cui una persona con i capelli corti che indossa una maglietta sta camminando, l'IA rifiuterà le foto che mostrano una persona con i capelli lunghi o senza maglietta, dice Vlontzos. Il lavoro è nelle fasi finali della revisione a NeurIPS, un'importante conferenza sull'apprendimento automatico

Un vantaggio dell'approccio è che dovrebbe funzionare con diversi tipi di apprendimento automatico, purché il modello possa generare nuovi frame simili a quelli del set di addestramento. Potrebbe anche essere utilizzato per migliorare la precisione delle IA esistenti addestrate su sequenze video.

Per testare l'approccio, il team ha fatto espandere i coni a una velocità fissa. Ma in pratica, questo tasso varierà. Ad esempio, una palla su un campo da calcio avrà più posizioni future possibili rispetto a una palla che viaggia lungo i binari. Ciò significa che avresti bisogno di un cono che si espanda a un ritmo più veloce per il calcio.

L'elaborazione di queste velocità implica l'approfondimento della termodinamica, il che non è pratico. Per ora, il team prevede di impostare manualmente il diametro dei coni. Ma guardando il video di una partita di calcio, ad esempio, l'IA potrebbe imparare quanto e quanto velocemente si muovono gli oggetti, il che le consentirebbe di impostare il diametro del cono stesso. Un'IA potrebbe anche imparare al volo, osservando la velocità con cui un sistema reale è cambiato e regolando le dimensioni del cono per adattarlo.

La previsione del futuro è importante per molte applicazioni. I veicoli autonomi devono essere in grado di prevedere se un bambino sta per correre in strada o se un ciclista traballante rappresenta un pericolo. I robot che devono interagire con oggetti fisici devono essere in grado di prevedere come si comporteranno quegli oggetti quando vengono spostati. I sistemi predittivi in ​​generale saranno più accurati se possono ragionare su causa ed effetto piuttosto che sulla semplice correlazione.

Ma Vlontzos ei suoi colleghi sono particolarmente interessati alla medicina. Un'intelligenza artificiale potrebbe essere utilizzata per simulare come un paziente potrebbe rispondere a un determinato trattamento, ad esempio, spiegando come tale trattamento potrebbe seguire il suo corso, passo dopo passo. Creando tutti questi possibili risultati, puoi vedere come un farmaco influenzerà una malattia, afferma Vlontzos. L'approccio potrebbe essere utilizzato anche con immagini mediche. Data una scansione MRI di un cervello, un'IA potrebbe identificare i probabili modi in cui una malattia potrebbe progredire.

È molto bello vedere che le idee della fisica fondamentale vengono prese in prestito per farlo, afferma Ciaran Lee, un ricercatore che lavora sull'inferenza causale presso Spotify e l'University College di Londra. Una comprensione della causalità è davvero importante se vuoi intraprendere azioni o decisioni nel mondo reale, dice. Va al cuore di come le cose diventano come sono: se vuoi porre la domanda 'perché?', allora devi capire causa ed effetto.

nascondere