Hur speciell relativitetsteori kan hjälpa AI att förutsäga framtiden

Etienne-Jules Marey

Ingen vet vad som kommer hända i framtiden , men vissa gissningar är mycket bättre än andra. En sparkad fotboll kommer inte att backa i luften och återgå till kickerns fot. En halväten cheeseburgare blir inte hel igen. En bruten arm läker inte över en natt.

Genom att utgå från en grundläggande beskrivning av orsak och verkan som finns i Einsteins speciella relativitetsteori har forskare från Imperial College London kommit fram till ett sätt att hjälpa AI:er att göra bättre gissningar för.

Världen utvecklas steg för steg, varje ögonblick kommer från de som föregår den. Vi kan göra goda gissningar om vad som händer härnäst eftersom vi har starka intuitioner om orsak och verkan, finslipade genom att observera hur världen fungerar från det ögonblick vi föds och bearbeta dessa observationer med hjärnor som är knutna till miljontals år av evolution.

Datorer har dock svårt för orsaksresonemang. Maskininlärningsmodeller utmärker sig när det gäller att upptäcka korrelationer men har svårt att förklara varför en händelse bör följa en annan. Det är ett problem, för utan en känsla av orsak och verkan kan förutsägelser vara vilda. Varför skulle inte en fotboll backa under flygning?

Detta är ett särskilt problem med AI-driven diagnos . Sjukdomar är ofta korrelerade med flera symtom. Till exempel är personer med typ 2-diabetes ofta överviktiga och har andnöd. Men andnöden orsakas inte av diabetes, och behandling av en patient med insulin hjälper inte mot det symtomet.

AI-gemenskapen inser hur viktigt det är kausala resonemang kan vara för maskininlärning och försöker hitta sätt att skruva fast det.

Forskare har försökt olika sätt att hjälpa datorer att förutsäga vad som kan hända härnäst. Befintliga tillvägagångssätt tränar en maskininlärande modell ruta för ruta för att upptäcka mönster i sekvenser av åtgärder. Visa AI:n några bildrutor av ett tåg som drar ut från en station och be den sedan generera de kommande bilderna i sekvensen, till exempel.

AI: er kan göra ett bra jobb med att förutsäga några bildrutor in i framtiden, men noggrannheten sjunker kraftigt efter fem eller 10 bildrutor, säger Athanasios Vlontzos vid Imperial College London. Eftersom AI:n använder föregående bildrutor för att generera nästa i sekvensen, blir små misstag som görs tidigt – t.ex. några feliga pixlar – till större fel när sekvensen fortskrider.

Vlontzos och hans kollegor ville prova ett annat tillvägagångssätt. Istället för att få en AI att lära sig att förutsäga en specifik sekvens av framtida bildrutor genom att titta på miljontals videoklipp, tillät de den att generera en hel rad bildrutor som var ungefär lika de föregående och sedan välja de som hade störst sannolikhet att komma Nästa. AI:n kan göra gissningar om framtiden utan att behöva lära sig något om tidens utveckling, säger Vlontzos.

För att göra detta utvecklade teamet en algoritm inspirerad av ljuskoner, en matematisk beskrivning av gränserna för orsak och verkan i rumtid, som först föreslogs i Einsteins speciella relativitetsteori och senare förfinades av hans tidigare professor Hermann Minkowski. Ljuskoner dyker upp i fysiken eftersom ljusets hastighet är konstant. De visar de expanderande gränserna för en ljusstråle – och allt annat – när den härrör från en första händelse, till exempel en explosion.

Ta ett papper och markera en händelse på det med en prick. Rita nu en cirkel med den händelsen i mitten. Avståndet mellan punkten och cirkelns kant är det avstånd som ljuset har färdats under en tidsperiod - säg en sekund. Eftersom ingenting, inte ens information, kan färdas snabbare än ljus, är kanten på denna cirkel en hård gräns för orsakspåverkan från den ursprungliga händelsen. I princip kunde allt inom cirkeln ha påverkats av händelsen; något utanför kunde inte.

Efter två sekunder har ljuset färdats dubbelt så långt och cirkelns storlek har fördubblats: det finns nu många fler möjliga framtider för den ursprungliga händelsen. Föreställ dig att dessa allt större cirklar reser sig sekund för sekund ur pappersarket, och du har en upp och nervänd kon med den ursprungliga händelsen i spetsen. Detta är en ljuskon. En spegelbild av konen kan också sträcka sig bakåt, bakom pappersarket; den kommer att innehålla alla möjliga förflutna som kunde ha lett till den ursprungliga händelsen.

Vlontzos och hans kollegor använde detta koncept för att begränsa framtida ramar en AI kunde välja. De testade idén på två datamängder: Flyttar MNIST , som består av korta videoklipp av handskrivna siffror som rör sig runt på en skärm, och KTH mänsklig actionserie , som innehåller klipp av människor som går eller viftar med armarna. I båda fallen tränade de AI:n att generera ramar som liknade dem i datamängden. Men det är viktigt att ramarna i träningsdatauppsättningen inte visades i sekvens, och algoritmen lärde sig inte hur man slutför en serie.

De bad sedan AI:n att välja vilken av de nya ramarna som var mer benägna att följa efter en annan. För att göra detta grupperade AI genererade ramar efter likhet och använde sedan ljuskonalgoritmen för att dra en gräns runt de som kunde vara orsaksrelaterade till den givna ramen. Trots att den inte var tränad att fortsätta en sekvens kunde AI:n fortfarande göra bra gissningar om vilka ramar som kom härnäst. Om du ger AI:n en ram där en korthårig person som bär skjorta går, så kommer AI:n att avvisa ramar som visar en person med långt hår eller ingen skjorta, säger Vlontzos. Arbetet är i slutskedet av granskning på NeurIPS, en stor maskininlärningskonferens

En fördel med tillvägagångssättet är att det ska fungera med olika typer av maskininlärning, så länge modellen kan generera nya ramar som liknar dem i träningsuppsättningen. Det kan också användas för att förbättra noggrannheten hos befintliga AI:er som tränas på videosekvenser.

För att testa tillvägagångssättet lät teamet expandera konerna med en fast hastighet. Men i praktiken kommer denna takt att variera. En boll på en fotbollsplan kommer att ha fler möjliga framtida positioner än en boll som färdas längs till exempel räls. Detta betyder att du skulle behöva en kon som expanderade i snabbare takt för fotbollen.

Att träna dessa hastigheter innebär att gå djupt in i termodynamiken, vilket inte är praktiskt. För nu planerar teamet att ställa in diametern på konerna för hand. Men genom att titta på video från en fotbollsmatch, säg, kunde AI lära sig hur mycket och hur snabbt föremål rörde sig, vilket skulle göra det möjligt för den att ställa in diametern på själva konen. En AI kan också lära sig i farten, observera hur snabbt ett verkligt system förändrades och anpassa konstorleken för att matcha den.

Att förutsäga framtiden är viktigt för många applikationer. Autonoma fordon måste kunna förutse om ett barn är på väg att springa ut på vägen eller om en vinglande cyklist utgör en fara. Robotar som behöver interagera med fysiska objekt måste kunna förutsäga hur dessa objekt kommer att bete sig när de flyttas runt. Prediktiva system i allmänhet kommer att vara mer exakta om de kan resonera om orsak och verkan snarare än bara korrelation.

Men Vlontzos och hans kollegor är särskilt intresserade av medicin. En AI kan användas för att simulera hur en patient kan reagera på en viss behandling – till exempel spolar ut hur den behandlingen kan gå sin gång, steg för steg. Genom att skapa alla dessa möjliga utfall kan du se hur ett läkemedel kommer att påverka en sjukdom, säger Vlontzos. Metoden skulle också kunna användas med medicinska bilder. Med en MR-undersökning av en hjärna kan en AI identifiera de sannolika sätten att en sjukdom kan utvecklas.

Det är väldigt häftigt att se idéer från grundläggande fysik lånas för att göra detta, säger Ciaran Lee, en forskare som arbetar med kausal slutledning vid Spotify och University College London. Ett grepp om kausalitet är verkligen viktigt om man vill vidta åtgärder eller beslut i den verkliga världen, säger han. Det går till hjärtat av hur saker blir som de är: Om du någonsin vill ställa frågan 'Varför?' måste du förstå orsak och verkan.

Dölj