연구진의 최근 연구에 따르면 원형 AI 는 다양한 물리적 신호와 현상을 일반화할 수 있는 선구적인 AI 모델을 공개하며 인공지능 분야의 획기적인 도약을 이룩했습니다. 라는 제목의 논문 “물리적 신호를 위한 현상학적 AI 기반 모델,“ 기본 물리 법칙에 대한 사전 지식 없이도 다양한 영역의 물리적 프로세스를 예측하고 해석할 수 있는 통합 AI 모델을 구축하기 위한 새로운 접근 방식을 제안합니다.
물리적 시스템을 위한 AI에 대한 새로운 접근 방식
본 연구는 전류, 유체 흐름, 광학 센서 데이터 등 광범위한 시스템의 물리적 신호를 처리할 수 있는 AI 기반 모델을 개발하는 것을 목표로 합니다. 채택함으로써 현상학적 접근 방식을 통해 연구자들은 특정 물리적 법칙을 모델에 삽입하는 것을 피하여 이전에 접하지 못했던 새로운 물리적 현상을 일반화할 수 있었습니다.
훈련을 받은 5억 9천만 개의 센서 측정값 다양한 영역에서 이 모델은 물리적 시스템의 동작을 예측하는 데 탁월한 성능을 보여주었습니다. 이러한 시스템은 단순한 기계식 발진기부터 전기 그리드 역학과 같은 복잡한 프로세스까지 다양하며 모델의 다양성을 보여줍니다.
현상학적 AI 프레임워크
이 연구의 접근 방식은 현상학적 틀에 기초를 두고 있습니다. 사전 정의된 귀납적 편향(예: 보존법칙)에 의존하는 기존 AI 모델과 달리 연구원들은 센서의 관측 데이터에만 AI를 훈련시켰습니다. 이를 통해 모델은 지배적인 물리적 원리에 대한 사전 지식을 가정하지 않고도 다양한 물리적 현상의 본질적인 패턴을 학습할 수 있습니다.
온도, 전류, 토크와 같은 물리량에 초점을 맞춤으로써 이 모델은 다양한 센서 유형과 시스템에 걸쳐 일반화될 수 있었고 에너지 관리에서 첨단 과학 연구에 이르기까지 다양한 산업에 응용할 수 있는 가능성이 열렸습니다.
Ω-프레임워크: 보편적인 물리적 모델을 향한 길
이번 혁신의 핵심에는 Ω-프레임워크는 물리적 프로세스를 추론하고 예측할 수 있는 AI 모델을 만들기 위해 연구원들이 개발한 구조화된 방법론입니다. 이 프레임워크에서는 모든 물리적 프로세스가 관찰 가능한 양의 집합으로 표현됩니다. 보편적인 모델을 구축하는 데 따른 어려움은 가능한 모든 물리량이 측정되거나 훈련에 포함될 수 없다는 사실에 있습니다. 그럼에도 불구하고 Ω-프레임워크를 통해 모델은 발생한 데이터를 기반으로 새로운 시스템의 동작을 추론할 수 있습니다.
이러한 일반화 기능은 모델이 실제 애플리케이션에서 일반적으로 나타나는 불완전하거나 노이즈가 많은 센서 데이터를 처리하는 방식에서 비롯됩니다. AI는 이러한 신호를 디코딩하고 재구성하는 방법을 학습하여 인상적인 정확도로 미래 행동을 예측합니다.
물리적 신호를 위한 변압기 기반 아키텍처
모델의 아키텍처는 다음을 기반으로 합니다. 변압기 네트워크일반적으로 사용되는 자연어 처리 하지만 이제는 물리적 신호에 적용됩니다. 이러한 네트워크는 센서 데이터를 1차원 패치로 변환한 다음 통합된 잠재 공간에 삽입합니다. 이 임베딩을 통해 모델은 특정 센서 유형에 관계없이 물리적 신호의 복잡한 시간 패턴을 캡처할 수 있습니다.
하류 현상학적 디코더 그런 다음 모델을 사용하여 과거 행동을 재구성하거나 미래 이벤트를 예측하여 광범위한 물리적 시스템에 적용할 수 있습니다. 또한 경량 디코더를 사용하면 전체 모델을 재교육하지 않고도 작업별 미세 조정이 가능합니다.
다양한 물리적 시스템에 대한 검증
연구원들은 모델의 일반화 기능을 테스트하기 위해 광범위한 실험을 수행했습니다. 한 세트의 테스트에서 모델은 다음과 같이 평가되었습니다. 스프링 질량 고조파 발진기 그리고 열전 시스템. 두 시스템 모두 혼란스럽거나 복잡한 동작으로 잘 알려져 있어 모델의 예측 정확도를 테스트하는 데 이상적인 후보가 되었습니다.
AI는 혼란스러운 단계에서도 최소한의 오류로 이러한 시스템의 동작을 성공적으로 예측했습니다. 이러한 성공은 비선형 역학을 나타내는 물리적 시스템을 예측할 수 있는 잠재력을 강조합니다.
다음을 사용하여 추가 실험을 수행했습니다. 실제 데이터포함:
- 전력 소비 다른 나라에서.
- 온도 변화 호주 멜버른에서.
- 오일 온도 데이터 전기 변압기에서.
각각의 경우에 이 모델은 기존의 도메인별 모델보다 성능이 뛰어나 복잡한 실제 시스템을 처리하는 능력을 입증했습니다.
제로샷 일반화 및 다양성
이 연구의 가장 흥미로운 결과 중 하나는 모델의 제로샷 일반화 능력입니다. AI는 열전 거동, 전기 변압기 역학 등 훈련 중에 한 번도 접한 적이 없는 시스템의 동작을 높은 정확도로 예측할 수 있습니다.
이 기능은 GPT-4와 같은 자연어 모델에서 볼 수 있는 성과를 반영합니다. GPT-4에서는 방대한 데이터 세트에 대해 훈련된 단일 모델이 특정 작업에 특화된 모델보다 성능이 뛰어납니다. 이러한 혁신은 물리적 프로세스를 해석하는 AI의 능력에 광범위한 영향을 미칠 수 있습니다.
산업 및 연구에 대한 시사점
이것의 잠재적인 응용 AI 기반 모델 광대하다. 활성화함으로써 센서에 구애받지 않는 시스템이 모델은 대규모의 전문 데이터 세트를 수집하기 어려운 도메인에서 사용할 수 있습니다. 관측 데이터로부터 자율적으로 학습하는 능력은 다음의 개발로 이어질 수 있습니다. 자가 학습 AI 시스템 사람의 개입 없이 새로운 환경에 적응하는 것.
게다가 이 모델은 과학적 발견에 대한 중요한 가능성을 갖고 있습니다. 데이터가 복잡하고 다차원적인 경우가 많은 물리학, 재료 과학, 실험 연구와 같은 분야에서 모델은 분석 프로세스를 가속화하여 이전에는 기존 방법으로는 접근할 수 없었던 통찰력을 제공할 수 있습니다.
향후 방향
이 모델은 물리적 시스템에 대한 AI의 상당한 발전을 나타내지만, 이 연구는 추가 연구 분야도 식별합니다. 여기에는 모델의 센서별 노이즈 처리 개선, 비주기적 신호에 대한 성능 탐색, 예측 정확도가 떨어지는 특수 사례 해결 등이 포함됩니다.
향후 작업은 이상 탐지, 분류 또는 복잡한 시스템의 엣지 케이스 처리와 같은 특정 작업을 위한 보다 강력한 디코더를 개발하는 데 중점을 둘 수도 있습니다.
결론
이것의 소개 물리적 신호에 대한 현상학적 AI 기반 모델 물리적 세계를 이해하고 예측하는 AI 능력의 새로운 장을 열었습니다. 광범위한 현상과 센서 유형을 일반화할 수 있는 기능을 갖춘 이 모델은 산업, 과학 연구, 심지어 일상적인 기술까지 변화시킬 수 있습니다. 연구에서 입증된 제로샷 학습 기능은 영역별 재교육 없이도 자동으로 학습하고 새로운 과제에 적응할 수 있는 AI 모델의 문을 열어줍니다.
이 획기적인 연구는 다음과 같습니다. 원형 AIAI가 물리적 시스템에 적용되는 방식에 지속적인 영향을 미쳐 정확하고 확장 가능한 예측에 의존하는 분야에 혁명을 일으킬 가능성이 높습니다.
게시물 혁신적인 AI 모델은 사전 정의된 지식 없이 물리적 시스템을 예측합니다. 처음 등장한 Unite.AI.
