Wie die spezielle Relativitätstheorie KI helfen kann, die Zukunft vorherzusagen

Etienne-Jules Marey

Niemand weiß, was wird in der Zukunft passieren , aber einige Vermutungen sind viel besser als andere. Ein getretener Fußball dreht sich nicht mitten in der Luft um und kehrt zum Fuß des Schützen zurück. Ein halb aufgegessener Cheeseburger wird nicht wieder ganz. Ein gebrochener Arm heilt nicht über Nacht.

Forscher des Imperial College London haben sich auf eine grundlegende Beschreibung von Ursache und Wirkung gestützt, die in Einsteins spezieller Relativitätstheorie gefunden wurde eine Möglichkeit, KIs dabei zu helfen, bessere Vermutungen anzustellen auch.

Die Welt schreitet Schritt für Schritt voran, indem sie jeden Augenblick aus denen hervorgeht, die ihr vorangegangen sind. Wir können gute Vermutungen darüber anstellen, was als nächstes passiert, weil wir starke Intuitionen über Ursache und Wirkung haben, die durch die Beobachtung, wie die Welt von dem Moment unserer Geburt an funktioniert, verfeinert und diese Beobachtungen mit Gehirnen verarbeitet werden, die durch Millionen von Jahren der Evolution fest verdrahtet sind.

Computern fällt es jedoch schwer, kausal zu argumentieren. Modelle für maschinelles Lernen zeichnen sich dadurch aus, dass sie Korrelationen erkennen, können aber nur schwer erklären, warum ein Ereignis auf das andere folgen sollte. Das ist ein Problem, denn ohne ein Gefühl für Ursache und Wirkung können Vorhersagen völlig daneben liegen. Warum sollte ein Fußball im Flug nicht umkehren?

Dies ist ein besonderes Anliegen mit KI-gestützte Diagnose . Erkrankungen gehen oft mit mehreren Symptomen einher. Beispielsweise sind Menschen mit Typ-2-Diabetes häufig übergewichtig und haben Atemnot. Aber die Kurzatmigkeit wird nicht durch Diabetes verursacht, und die Behandlung eines Patienten mit Insulin wird bei diesem Symptom nicht helfen.

Die KI-Community erkennt, wie wichtig das ist kausales Denken könnte für maschinelles Lernen sein und suchen nach Möglichkeiten, es anzubringen.

Forscher haben verschiedene Methoden ausprobiert, um Computern dabei zu helfen, vorherzusagen, was als nächstes passieren könnte. Bestehende Ansätze trainieren ein Modell für maschinelles Lernen Bild für Bild, um Muster in Handlungsabfolgen zu erkennen. Zeigen Sie der KI einige Frames eines aus einer Station ausfahrenden Zuges und bitten Sie sie beispielsweise, die nächsten Frames in der Sequenz zu generieren.

KIs können gute Arbeit leisten, um ein paar Frames in die Zukunft vorherzusagen, aber die Genauigkeit nimmt nach fünf oder zehn Frames stark ab, sagt Athanasios Vlontzos vom Imperial College London. Da die KI vorangegangene Frames verwendet, um das nächste in der Sequenz zu generieren, werden kleine Fehler, die früh gemacht werden – sagen wir, ein paar fehlerhafte Pixel – zu größeren Fehlern, wenn die Sequenz fortschreitet.

Vlontzos und seine Kollegen wollten einen anderen Ansatz ausprobieren. Anstatt eine KI dazu zu bringen, durch das Ansehen von Millionen von Videoclips zu lernen, eine bestimmte Folge zukünftiger Frames vorherzusagen, erlaubten sie ihr, eine ganze Reihe von Frames zu generieren, die den vorherigen in etwa ähnlich waren, und dann diejenigen auszuwählen, die am wahrscheinlichsten kommen würden nächste. Die KI könne Vermutungen über die Zukunft anstellen, ohne etwas über das Fortschreiten der Zeit lernen zu müssen, sagt Vlontzos.

Dazu entwickelte das Team einen von Lichtkegeln inspirierten Algorithmus, eine mathematische Beschreibung der Grenzen von Ursache und Wirkung in der Raumzeit, der erstmals in Einsteins spezieller Relativitätstheorie vorgeschlagen und später von seinem ehemaligen Professor Hermann Minkowski verfeinert wurde. Lichtkegel entstehen in der Physik, weil die Lichtgeschwindigkeit konstant ist. Sie zeigen die sich ausdehnenden Grenzen eines Lichtstrahls – und alles andere – wie er von einem Anfangsereignis wie einer Explosion ausgeht.

Nimm ein Blatt Papier und markiere darauf ein Ereignis mit einem Punkt. Zeichnen Sie nun einen Kreis mit diesem Ereignis in der Mitte. Der Abstand zwischen dem Punkt und dem Rand des Kreises ist die Entfernung, die das Licht in einer Zeitspanne zurückgelegt hat – sagen wir eine Sekunde. Da nichts, nicht einmal Informationen, schneller als Licht reisen kann, ist der Rand dieses Kreises eine harte Grenze für den kausalen Einfluss des ursprünglichen Ereignisses. Im Prinzip hätte alles innerhalb des Kreises von dem Ereignis betroffen sein können; irgendetwas außerhalb konnte es nicht.

Nach zwei Sekunden hat das Licht die doppelte Strecke zurückgelegt und die Größe des Kreises hat sich verdoppelt: Es gibt jetzt viel mehr mögliche Zukünfte für dieses ursprüngliche Ereignis. Stellen Sie sich diese immer größeren Kreise vor, die Sekunde für Sekunde aus dem Blatt Papier aufsteigen, und Sie haben einen umgedrehten Kegel mit dem ursprünglichen Ereignis an seiner Spitze. Das ist ein Lichtkegel. Ein Spiegelbild des Kegels kann sich auch nach hinten hinter das Blatt Papier erstrecken; es enthält alle möglichen Vergangenheiten, die zu dem ursprünglichen Ereignis geführt haben könnten.

Vlontzos und seine Kollegen verwendeten dieses Konzept, um die zukünftigen Frames einzuschränken, die eine KI auswählen könnte. Sie testeten die Idee an zwei Datensätzen: Umzug MNIST , das aus kurzen Videoclips von handgeschriebenen Ziffern besteht, die sich auf einem Bildschirm bewegen, und der KTH Human Action-Serie , das Clips von Menschen enthält, die gehen oder mit den Armen winken. In beiden Fällen trainierten sie die KI, Frames zu generieren, die denen im Datensatz ähnlich sahen. Aber wichtig ist, dass die Frames im Trainingsdatensatz nicht nacheinander gezeigt wurden und der Algorithmus nicht lernte, wie man eine Serie vervollständigt.

Dann baten sie die KI, auszuwählen, welche der neuen Frames mit größerer Wahrscheinlichkeit auf eine andere folgen würden. Dazu gruppierte die KI generierte Frames nach Ähnlichkeit und verwendete dann den Lichtkegel-Algorithmus, um eine Grenze um diejenigen zu ziehen, die in ursächlichem Zusammenhang mit dem gegebenen Frame stehen könnten. Obwohl die KI nicht darauf trainiert war, eine Sequenz fortzusetzen, konnte sie dennoch gute Vermutungen darüber anstellen, welche Frames als nächstes kamen. Wenn Sie der KI ein Bild geben, in dem eine kurzhaarige Person mit Hemd läuft, dann wird die KI Bilder ablehnen, die eine Person mit langen Haaren oder ohne Hemd zeigen, sagt Vlontzos. Die Arbeit befindet sich in der Endphase der Überprüfung bei NeurIPS, einer großen Konferenz für maschinelles Lernen

Ein Vorteil des Ansatzes besteht darin, dass er mit verschiedenen Arten des maschinellen Lernens funktionieren sollte, solange das Modell neue Frames generieren kann, die denen im Trainingssatz ähneln. Es könnte auch verwendet werden, um die Genauigkeit bestehender KIs zu verbessern, die auf Videosequenzen trainiert werden.

Um den Ansatz zu testen, ließ das Team die Kegel mit einer festen Rate expandieren. In der Praxis wird diese Rate jedoch variieren. Ein Ball auf einem Fußballfeld hat beispielsweise mehr mögliche zukünftige Positionen als ein Ball, der auf Schienen läuft. Dies bedeutet, dass Sie für den Fußball einen Kegel benötigen, der sich schneller ausdehnt.

Um diese Geschwindigkeiten zu ermitteln, muss man tief in die Thermodynamik einsteigen, was nicht praktikabel ist. Vorerst plant das Team, den Durchmesser der Zapfen von Hand einzustellen. Aber indem sie sich beispielsweise ein Video eines Fußballspiels ansieht, könnte die KI lernen, wie viel und wie schnell sich Objekte bewegen, was es ihr ermöglichen würde, den Durchmesser des Kegels selbst festzulegen. Eine KI könnte auch spontan lernen, beobachten, wie schnell sich ein reales System verändert, und die Kegelgröße daran anpassen.

Die Vorhersage der Zukunft ist für viele Anwendungen wichtig. Autonome Fahrzeuge müssen vorhersagen können, ob ein Kind auf die Straße rennt oder ob ein wackelnder Radfahrer eine Gefahr darstellt. Roboter, die mit physischen Objekten interagieren müssen, müssen vorhersagen können, wie sich diese Objekte verhalten, wenn sie herumbewegt werden. Vorhersagesysteme sind im Allgemeinen genauer, wenn sie über Ursache und Wirkung nachdenken können und nicht nur über Korrelationen.

Aber Vlontzos und seine Kollegen interessieren sich besonders für die Medizin. Eine KI könnte verwendet werden, um zu simulieren, wie ein Patient auf eine bestimmte Behandlung ansprechen könnte – beispielsweise um Schritt für Schritt zu spinnen, wie diese Behandlung ablaufen könnte. Indem Sie all diese möglichen Ergebnisse erstellen, können Sie sehen, wie sich ein Medikament auf eine Krankheit auswirkt, sagt Vlontzos. Der Ansatz könnte auch mit medizinischen Bildern verwendet werden. Anhand eines MRT-Scans eines Gehirns könnte eine KI die wahrscheinlichen Wege identifizieren, auf denen eine Krankheit fortschreiten könnte.

Es ist sehr cool zu sehen, wie Ideen aus der Grundlagenphysik dafür ausgeliehen werden, sagt Ciaran Lee, ein Forscher, der bei Spotify und dem University College London an kausaler Inferenz arbeitet. Ein Verständnis der Kausalität ist wirklich wichtig, wenn Sie in der realen Welt handeln oder Entscheidungen treffen wollen, sagt er. Es geht auf den Punkt, wie die Dinge so werden, wie sie sind: Wenn Sie sich jemals die Frage „Warum?“ stellen wollen, müssen Sie Ursache und Wirkung verstehen.

verbergen