Исследователи из Китая разработали новую структуру для обучения моделей искусственного интеллекта с использованием «предварительных знаний», например, законов физики или математической логики. Зная базовую информацию о мире, ИИ-модель сможет генерировать более точные результаты.

Технология сделает модели глубокого обучения более реалистичными и полезными, особенно в научных и технических областях, где согласованность с физическими законами является ключевой. Это позволит создавать «ИИ-ученых», способных улучшать эксперименты и решать научные проблемы.

Не так давно OpenAI представила Sora — модель для преобразования текста в видео. Инструмент хвалили за реалистичное изображение вещей. Однако компания признала, что Sora не может точно моделировать физику многих базовых процессов. ИИ-модель обучается с использованием большого количества визуальных данных, что позволяет ей улавливать закономерности и генерировать изображения и видео, имитирующие реальность. Но она не обучена понимать физические законы, такие как гравитация.

ИИ-модели обычно обучаются с использованием данных, а не предварительных знаний, которые могут включать в себя, например, законы физики или математическую логику. Без фундаментального понимания мира модель не может точно симулировать процессы в нем.

Ученые из Пекинского университета и Восточного технологического института предложили использовать в процессе обучения моделей предварительные знания вместе с данными, чтобы повысить их точность. Таким образом, будут создаваться модели «информированного машинного обучения», которые учитывают знания о мире при генерации результатов.

Решить, какие именно знания включить в модель для предварительного обучения, непросто. Включение большого количества правил может привести к некорректной работе. Чтобы решить эту проблему, исследователи создали систему для определения «ценности» знаний. Платформа вычисляет ценность, глядя на то, как конкретные правила или их комбинация влияют на точность прогнозирования модели.

Исследователи успешно протестировали систему, применяя ее для оптимизации модели решения многомерных уравнений, а также для прогнозирования результатов химического эксперимента.

Внедрение правил физики или других реальных законов в обучение искусственного интеллекта позволило бы им стать более реалистичными и полезными для научных и технических применений. В научных моделях, где важна согласованность с физическими законами, эта структура будет особенно полезной.