På vilket sätt kan man tala om en dator att utveckla en känsla för tid? Det är en spännande fråga som föreslagits av ny forskning från Ruprecht-Karls-Universität i Heildelberg och samarbetande institutioner som försöker skapa i ett neuralt nätverk “arrow of time”.
Den pil, som myntades av astronomen Arthur Eddington, är uppfattningen att tiden har en riktning, en känsla av att medlemsstaterna i frågor övergång från en till en annan längs en bana, och inte vända på den banan. Du kanske tror av välter en vas från en tabell. Med vas låg i bitar på golvet, de tidigare tillstånd, om det är intakt på bordet, är nu inte kan nås, att ge människor en känsla av tid passage.
Kan en dator vara utrustad med det faktum om den fysiska världen?
Huvudförfattare Nasim Rahaman och kollegor utvecklat ett neuralt nätverk som modifierar vad som är känt som förstärkning lära, utövande av verksamhet som leder till mål. Nätverket beräknar sannolikheten för att en gång i en given situation leder till en annan, den process som sannolikt inte kommer att återföras till tidigare tillstånd.
Som de skriver, “Vi människor verkar ha en medfödd förståelse av den asymmetriska progression av tid, som vi använder för att effektivt och säkert sätt att uppfatta och hantera vår miljö.
Rahaman et al. beräkna h-potential” i ett spel där en bil flyttas över ett bergslandskap. Förekomsten av friktion i bilen framsteg lägger upp utsvävningar i den modell av spelet, som representerade den ljusa röda h-potential vid en viss punkt i bilens position och hastighet.
Rahaman et al. 2019
“Vi ber om och hur dessa egenskaper kan utnyttjas för att lära sig en representation som funktionellt härmar vår förståelse av asymmetrisk typ av tid.”
Resultatet av forskningen är inte en känsla av tid på det sätt som vi i vardagligt tal tänka på det. Istället är datorn kan beräkna nödvändiga för stater av frågor. Förmåga, hävdar författarna, skulle kunna förbättra inlärning för saker som att se till att artificiell intelligens inte orsaka oönskade effekter (tänk A. I. agerar i en medicinsk tillämpning.)
Också: IBM: s AI flyger fram och tillbaka genom tiden i Flappy Fågel
Papper, “att Lära av tidens Pil”, är inlagd på arXiv pre-print-server, och är medförfattare av Rahaman, som innehar flera möten vid Ruprecht-Karls-Universität, Montreal prestigefyllda MILA-institutet för maskininlärning och Max-Planck-Institutet för Intelligenta System, Steffan Varg och Romerska Remme av Ruprecht-Karls, och Anirudh Goyal och Yoshua Bengio av MILA. Bengio, kommer du att notera, är en av tre mottagare av årets ACM Turing Award för prestation i datoranvändning.
Författarna använde en form av inlärning som kallas Q-Learning. Det viktiga är att till skillnad från spel som schack eller go, där inlärning är hjälpt av att veta spelets regler, i detta arbete, reglerna inte är kända. En dator är ingång med olika staterna i en miljö med ingen kunskap om hur en stat kan leda till en annan. Datorn har för att beräkna vilka olika stater kan nås från varandra och som inte kan ett mått av irreversibla åtgärder.
Ett exempel är vad som kallas “2D-världen med vaser.” Datorn kan flytta en virtuell agent kring ett rutnät av plattor mot ett mål som ligger någonstans i rutnätet. Eftersom det rör sig, det möten vaser på några av plattorna. Om den stöter på en, den vas försvinner från nätet, som representerar vas att ha brutits av, föreställer, virtual agent tippning vas av sitt lilla bord. För att ändra, vasen försvinner och aldrig kommer tillbaka, innebär att den tidigare tillstånd, en bricka med en vas, är inte längre nåbar.
Att utforska på detta sätt, datorn är att omvandla början staten nätet, där det finns ingen information om vad stater medför en annan, till en heltäckande karta över vad staterna kan nås och vad stater blivit omöjlig att nå på grund av en trasig vas. I formella termer, datorn beräknar en funktion som kallas “h-potential”, betecknade med bokstaven “h” i ekvationer, vilket ökar deras är mer staterna av spelet nätet med trasiga vaser. Detta h-potentialen är sedan används för att konstruera en “nåbarhet” åtgärd, som symboliseras av den grekiska bokstaven “η,” ita. Nåbarhet blir då en fråga om design och hur åtgärder leda till stater med högre h-potential.
Vad är AI? Allt du behöver för att vetavad är djupt lärande? Allt du behöver för att vetavad är lärande? Allt du behöver för att vetavad är cloud computing? Allt du behöver veta
Allt detta har en mängd praktiska tillämpningar. Det kan till exempel vara ett sätt att bygga A. I. system med färre oavsiktliga biverkningar, till exempel i den medicinska exempel.
Men vad är lärt sig, exakt? I teorin, författarna visar att denna modell av stater av frågor — computing öka i h-potential, och nåbarhet förändring, och därför blir oåterkallelig förhållanden — håller med grundläggande fysik. Speciellt, förutsägelser av deras program håller med “gratis-energi-funktion” i statistisk fysik om hur partiklar genomgå en Brownsk rörelse. Du kan tänka på fysik som “ground truth”, den “sanna pil”, som de skriver.
Men det finns andra saker om tid som inte faktor i här. Till exempel, design och nåbarhet inte göra klart något om kausalitet. En dator har inte beräknat något som en modell för hur vaser är trasiga. Och en känsla av kausalitet är utan tvekan en del av en människas känsla av pil.
Som författarna skriver i sina avslutande kommentarer till “ett Framtida arbete skulle kunna dra kopplingar till algoritmisk oberoende av orsak och mekanism och utforska program i kausala samband.”
Artificiell Intelligens
Färre människor söker AI jobb: är marknaden svalnat, eller för varmt för att hantera?
De uppgifter som tränar AI allt ifrågasättande AI
AI är att förändra hela karaktären hos beräkna
En trovärdig AI initiativ i EU
En AI neurala nätverk är att ge katter skrämmande namn (CNET)
AI skapat 3x så många jobb som dödades förra året (TechRepublic)
Relaterade Ämnen:
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
Smarta Städer