با درک فیزیک، مدل‌های هوش مصنوعی می‌توانند طیف گسترده‌تری از سناریوهای دنیای واقعی را شبیه‌سازی کنند.

مدل‌های هوش مصنوعی در زمینه‌های مختلفی از جمله نوشتن، تولید تصاویر و ساخت مدل‌های سه‌بعدی کاربرد دارند. اما زمانی که پای آزمایش ربات‌ها یا طراحی وسایل نقلیه در محیط‌های متنوع به میان می‌آید، چندان مفید نیستند؛ چرا که آن‌ها فیزیک را به‌خوبی پیکسل‌ها یا متن درک نمی‌کنند.

برای ساخت یک سیستم هوش مصنوعی که بتواند سناریوهای فیزیکی مختلف را به‌طور قابل اعتمادی شبیه‌سازی کند، مهندسان به مجموعه‌ای از داده‌های فیزیکی در مقیاسی نیاز دارند که هنوز امکان‌پذیر نیست. دلیل این امر این است که دریافت حتی چند نقطه داده قابل فهم برای شبکه‌های عصبی بسیار زمان‌بر است. آن‌ها به الگوریتم‌هایی به نام «حل‌کننده‌های عددی» متکی هستند تا خواص فیزیکی را در نقاط مختلف یک شکل سه‌بعدی محاسبه کنند. این فرآیند کامل است، اما آنقدر طول می‌کشد که میزان داده‌ای که برای آزمایش ایمنی و آیرودینامیک طرح‌های هواپیما در اختیار دارید را محدود می‌کند.

رویکرد پیش‌آموزش جدیدی به نام «GeoPT» که توسط محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و دانشگاه Tsinghua توسعه یافته است، به مدل‌های شبیه‌سازی این فرصت را می‌دهد تا فیزیک را به‌طور گسترده‌تر و کارآمدتری یاد بگیرند. این روش تعاملات مکانیکی روزمره را در سه‌بعدی بازسازی می‌کند و نشان می‌دهد که چگونه ذرات هنگام رسیدن به بخشی از یک جسم متوقف می‌شوند. این شبیه‌سازی‌ها به مدل‌ها حس می‌کنند که فیزیک چگونه کار می‌کند، به آن‌ها کمک می‌کند تا دنیای واقعی را دقیق‌تر مدل‌سازی کنند، به عملکرد اوج خود دو برابر سریع‌تر برسند و با 60 درصد داده کمتر در مقایسه با مدل‌های پیشرو آموزش ببینند.

به زودی، این پروژه می‌تواند به مهندسان کمک کند تا...