Область применения искусственного интеллекта расширяется ошеломляющими темпами, и лаборатории Массачусетского технологического института вносят в это свой вклад. Студенты получают возможность присоединиться к Программе исследовательских возможностей для студентов (UROP). За два года в рамках MIT-Квеста 329 студентов приняли участие в исследовательских проектах, направленных на расширение границ вычислительной техники и искусственного интеллекта и использование этих инструментов для революции в изучении мозга, диагностике и лечении болезней, а также в поиске новых материалов с поражающими воображение свойствами.
Рафаэль Гомес-Бомбарелли (Rafael Gomez-Bombarelli), доцент кафедры материаловедения и инженерии Массачусетского технологического института, привлёк несколько студентов, финансируемых Квестом, к своей миссии по открытию новых молекул и материалов с помощью ИИ. «Они приносят оптимизм и много энергии, — говорит он. — Благодаря Квесту у нас была возможность связаться со студентами других специальностей, которые, вероятно, не подумали бы о том, чтобы объединиться с нами».
Некоторые студенты остаются в лаборатории всего на один семестр. Другие никогда не уходят. Ник Бонакер (Nick Bonaker) уже третий год работает с Тамарой Бродерик (Tamara Broderick), доцентом кафедры электротехники и компьютерных наук, над разработкой вспомогательных технологий для людей с тяжелыми двигательными нарушениями.
«Ник постоянно впечатлял меня и наших сотрудников, быстро подбирая инструменты и идеи, — говорит она. — Я особенно ценю его осторожное и вдумчивое внимание к нуждам людей с ограниченными двигательными возможностями. Он очень тщательно учёл отзывы пользователей с нарушениями моторики, сотрудников нашей благотворительной организации и других учёных».
Этой осенью MIT-Квест отпраздновал двухлетие спонсирования студентов UROP. Вот четыре наших любимых проекта за последний семестр.
Получая больше энергии от солнца
Цена на солнечную энергию падает, поскольку технология преобразования солнечного света в энергию неуклонно совершенствуется. Солнечные элементы сейчас близки к 50-процентной эффективности в лабораторных экспериментах, но нет причин останавливаться на достигнутом, говорит Шон Манн (Sean Mann), второкурсник со специализацией в области компьютерных наук.
В рамках проекта UROP с Джузеппе Романо (Giuseppe Romano), исследователем из Института солдатских нанотехнологий Массачусетского технологического института, Манн разрабатывает симулятор солнечных элементов, который позволит алгоритмам глубокого обучения систематически находить лучшие конструкции для них. В прошлом эффективность повышалась за счёт оценки новых материалов и геометрии с использованием сотен переменных. «Традиционные способы исследования новых проектов обходятся дорого, потому что моделирование измеряет эффективность только одного проекта, — говорит Манн. — Оно не говорит вам, как его улучшить, а это означает, что вам нужны либо экспертные знания, либо множество экспериментов для этого».
Целью проекта Манна является разработка так называемого симулятора дифференцируемого солнечного элемента, который вычисляет эффективность элемента и описывает, как настройка определённых параметров повысит эффективность. Вооружившись этой информацией, ИИ может предсказать, какие изменения из головокружительного множества комбинаций повысят производительность ячеек больше всего. «Объединение этого симулятора с нейронной сетью, предназначенной для максимизации эффективности ячеек, в конечном итоге приведёт к действительно хорошим проектам», — говорит он.
В настоящее время Манн создаёт интерфейс между моделями ИИ и традиционными симуляторами. По его словам, самой большой проблемой до сих пор была отладка симулятора, который решает дифференциальные уравнения. Он провел несколько ночей, дважды проверяя свои уравнения и код, пока не обнаружил ошибку: массив чисел смещается по одному, искажая его результаты. Устранив это препятствие, Манн теперь ищет алгоритмы, которые помогут ускорить сходимость решателя, что является важным шагом на пути к эффективной оптимизации.
Обучение нейронных сетей физике для выявления стрессовых изломов
Датчики, расположенные глубоко внутри современного реактивного двигателя, подают сигнал тревоги, когда что-то идёт не так. Но диагностировать точную неисправность часто невозможно, не повозившись с самим двигателем. Чтобы быстрее получить более чёткую картину, инженеры экспериментируют с основанными на физике алгоритмами глубокого обучения для преобразования сигналов бедствия от датчиков.
«Было бы намного проще найти ту часть, в которой что-то не так, чем разбирать двигатель целиком, — говорит Джулия Гаубац (Julia Gaubatz), старший специалист в области аэрокосмической техники. — Это действительно могло бы сэкономить время и деньги людей в промышленности».
Осенью Гаубац программировала физические ограничения в модели глубокого обучения в проекте UROP вместе с Раулем Радовицким (Raul Radovitzky), профессором факультета аэронавтики и астронавтики Массачусетского технологического института, аспирантом Грегуаром Шометтом (Grégoire Chomette) и студентом третьего курса Паркером Мэйхью (Parker Mayhew). Их цель — анализировать высокочастотные сигналы, исходящие, скажем, от вала реактивного двигателя, чтобы точно определить, где деталь может подвергнуться нагрузке и вот-вот сломаться. Они надеются определить конкретные точки отказа путём обучения нейронных сетей на численном моделировании разрушения материалов, чтобы понять основную физику.
Работая в своей квартире за пределами кампуса в Кембридже, штат Массачусетс, Гаубац построила уменьшенную, упрощённую версию основанной на физике модели, чтобы убедиться, что их предположения верны. «Легче посмотреть на параметры, которые придумывает нейронная сеть, чтобы понять её прогнозы, — говорит она. — Это похоже на тест, чтобы проверить,делает ли модель то, что должна согласно теории».
Джулия выбрала проект, чтобы попробовать применить то, что узнала из курса машинного обучения, к механике твёрдого тела, которая фокусируется на том, как материалы деформируются и ломаются под действием силы. По её словам, инженеры только начинают внедрять глубокое обучение в эту область, и «интересно видеть, как новая математическая концепция может изменить наши методы работы».
Обучение ИИ рассуждать о проблемах
Модель искусственного интеллекта, которая способна играть в шахматы на сверхчеловеческих уровнях, может оказаться безнадежной в судоку. Люди, напротив, легко осваивают новые игры, адаптируя старые знания к новой среде. Чтобы дать ИИ больше этой гибкости, исследователи создали набор данных визуального обоснования ARC, чтобы мотивировать поле для создания новых методов решения проблем, связанных с абстракцией и рассуждением.
«Если ИИ хорошо справляется с тестом, он сигнализирует о более человекоподобном интеллекте», — говорит студент первого курса Субхаш Кантамнени (Subhash Kantamneni), присоединившийся к проекту UROP этой осенью в лаборатории факультета мозговых и когнитивных наук (BSC) профессора Томазо Поджио (Tomaso Poggio), что является частью Центра для разумов, интеллектов и машин (CBMM).
Лаборатория Поджио надеется решить проблему ARC, объединив глубокое обучение и автоматическое написание программ, чтобы обучить агента решать 400 задач ARC путём написания собственных программ. Большая часть их работы выполняется в DreamCoder, инструменте, разработанном в Массачусетском технологическом институте, который изучает новые концепции при решении специализированных задач. Используя DreamCoder, лаборатория решила на данный момент 70 задач ARC, и Кантамнени этой осенью вместе со студентом-инженером Саймоном Алфордом (Simon Alford) занялись остальными.
Чтобы попытаться решить около 20 задач ARC по завершению шаблонов, Кантамнени создал сценарий для генерации аналогичных примеров для тренировки модели глубокого обучения. Он также написал несколько мини-программ или примитивов для решения отдельного класса задач, связанных с выполнением логических операций с пикселями. По его словам, с помощью этих новых примитивов DreamCoder научился комбинировать старые и новые программы для решения 10 или около того пиксельных задач ARC.
По его словам, кодирование и отладка были тяжелой работой, но другие сотрудники лаборатории создали приятную атмосферу и поддерживали его. «Я не думаю, что они даже знали, что я новичок, — говорит студент. — Они выслушали то, что я сказал, и оценили мой вклад».
Рассматривая понимание языка под микроскопом
Язык — это больше, чем система символов: он позволяет нам выражать концепции и идеи, думать и рассуждать, а также общаться и координировать свои действия с другими. Чтобы понять, как мозг это делает, психологи разработали методы отслеживания того, насколько быстро люди улавливают то, что они читают и слышат. Более длительное время чтения может указывать на то, что слово было неправильно использовано, давая представление о том, как мозг постепенно находит смысл в цепочке слов.
Этой осенью в проекте UROP в лаборатории Роджера Леви (Roger Levy) в BCS второкурсница Пранали Вани (Pranali Vani) провела в Интернете ряд экспериментов по обработке предложений, которые были разработаны ранее другим студентом UROP. В каждом предложении одно слово размещено таким образом, что создается впечатление двусмысленности или неправдоподобия. Чем страннее предложение, тем больше времени требуется человеку, чтобы расшифровать его значение. Например, размещение глагола «tripped» в конце предложения, как в «The woman brought the sandwich from the kitchen tripped», как правило, озадачивает носителей английского языка. Хотя грамматически правильная формулировка подразумевает, что главное действие предложения — это bringing, а не tripping, создавая путаницу для читателя.
В трёх сериях экспериментов Вани обнаружила, что наибольшие торможения происходили тогда, когда глагол располагался таким образом, что он звучит неграмотно. Вани и её советник, Этан Уилкокс (Ethan Wilcox), аспирант Гарвардского университета, получили аналогичные результаты, когда провели эксперименты с моделью глубокого обучения.
«Модель была ‘удивлена’, когда грамматическая интерпретация маловероятна», — говорит Уилкокс. Хотя модель явно не обучена грамматике английского языка, по его словам, результаты показывают, что нейронная сеть, тренированная на стопках текста, всё равно эффективно изучает правила.
Вани говорит, что ей понравилось учиться программировать на R и шелл-скриптах. Она также получила признание за настойчивость, необходимую для проведения оригинальных исследований. «Это занимает много времени, — говорит она. — В каждой детали и в каждом решении, принятом в ходе эксперимента, много размышлений».
Финансирование проектов MIT-Квест UROP этой осенью частично было предоставлено MIT-IBM Watson AI Lab.
Источник: https://news.mit.edu/2021/intro-fast-paced-world-artificial-intelligence-0119