Comprender cómo reaccionará un robot bajo diferentes condiciones es esencial para garantizar su funcionamiento seguro. ¿Pero cómo sabe qué romperá un robot sin dañarlo realmente? Un nuevo método desarrollado por científicos del Instituto de Ciencia y Tecnología de Austria ISTAustria y el Instituto Max Planck para Sistemas Inteligentes MPI para Sistemas Inteligentes es el primer método de aprendizaje automático que puede utilizar observaciones realizadas en condiciones seguras para hacer predicciones precisas para todas las condiciones posibles gobernadas por la misma dinámica física.situaciones de la vida, su método proporciona descripciones simples e interpretables de la física subyacente. Los investigadores presentarán sus hallazgos mañana en la Conferencia Internacional para el Aprendizaje Automático ICML de este año.
En el pasado, el aprendizaje automático solo era capaz de interpolar datos, hacer predicciones sobre situaciones que están "entre" otras situaciones conocidas. Era incapaz de extrapolar, hacer predicciones sobre situaciones fuera de lo conocido, porque aprendepara ajustar los datos conocidos lo más cerca posible a nivel local, independientemente de cómo se desempeñe fuera de estas situaciones. Además, la recopilación de datos suficientes para una interpolación efectiva requiere mucho tiempo y recursos, y requiere datos de situaciones extremas o peligrosas. Pero ahora, Georg Martius, ex postdoc de ISTFELLOW e IST Austria, y desde 2017 un líder de grupo en MPI para Sistemas Inteligentes en Tübingen, Subham S. Sahoo, estudiante de doctorado también en MPI para Sistemas Inteligentes, y Christoph Lampert, profesor en IST Austria.un nuevo método de aprendizaje automático que aborda estos problemas, y es el primer método de aprendizaje automático que se extrapola con precisión a situaciones invisibles.
La característica clave del nuevo método es que se esfuerza por revelar la verdadera dinámica de la situación: toma datos y devuelve las ecuaciones que describen la física subyacente. "Si conoce esas ecuaciones", dice Georg Martius, "entoncespuede decir qué sucederá en todas las situaciones, incluso si no las ha visto ". En otras palabras, esto es lo que permite que el método se extrapole de manera confiable, haciéndolo único entre los métodos de aprendizaje automático.
El método del equipo también se distingue de varias otras maneras. Primero, las aproximaciones finales producidas previamente durante el aprendizaje automático eran demasiado complejas para que un humano las entienda o trabaje. En el nuevo método, las ecuaciones resultantes son mucho más simples:"Las ecuaciones de nuestro método son algo que vería en un libro de texto, simple e intuitivo", dice Christoph Lampert. Esta última es otra diferencia clave: otros métodos de aprendizaje automático no dan una idea de la relación entre las condiciones y los resultados, y por lo tanto, nointuición sobre si el modelo es incluso plausible. "En cualquier otra área de investigación, esperamos modelos que tengan sentido físico, que nos digan por qué", agrega Lampert. "Esto es lo que deberíamos esperar del aprendizaje automático y lo que proporciona nuestro método"Finalmente, para garantizar la interpretabilidad y optimizar las situaciones físicas, el equipo basó su método de aprendizaje en un tipo diferente de marco. Este nuevo diseño es más simple que los métodos anteriores, que en practice significa que se necesitan menos datos para obtener los mismos resultados o incluso mejores.
Y no todo es teoría: "En mi grupo, en realidad estamos trabajando en el desarrollo de un robot que use este tipo de aprendizaje. En el futuro, el robot experimentaría con diferentes movimientos y luego podría usar el aprendizaje automático para descubrirlas ecuaciones que gobiernan su cuerpo y movimiento, lo que le permite evitar acciones o situaciones peligrosas ", agrega Martius. Si bien los robots son un área activa de investigación, el método puede usarse con cualquier tipo de datos, desde sistemas biológicos hasta la transición de rayos Xenergías, y también se pueden incorporar en redes de aprendizaje automático más grandes.
Fuente de la historia :
Materiales proporcionado por Instituto de Ciencia y Tecnología de Austria . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :