Cómo la relatividad especial puede ayudar a la IA a predecir el futuro

Etienne-Jules Marey

Nadie sabe lo que será suceder en el futuro , pero algunas conjeturas son mucho mejores que otras. Una pelota de fútbol pateada no retrocederá en el aire y regresará al pie del pateador. Una hamburguesa con queso a medio comer no volverá a estar completa. Un brazo roto no sanará de la noche a la mañana.

Basándose en una descripción fundamental de causa y efecto que se encuentra en la teoría de la relatividad especial de Einstein, los investigadores del Imperial College London han llegado a una forma de ayudar a las IA a hacer mejores conjeturas también.

El mundo avanza paso a paso, surgiendo cada instante de los que le preceden. Podemos hacer buenas conjeturas sobre lo que sucede a continuación porque tenemos fuertes intuiciones sobre causa y efecto, perfeccionadas al observar cómo funciona el mundo desde el momento en que nacemos y procesar esas observaciones con cerebros programados por millones de años de evolución.

Las computadoras, sin embargo, encuentran difícil el razonamiento causal. Los modelos de aprendizaje automático sobresalen en la detección de correlaciones, pero tienen dificultades para explicar por qué un evento debe seguir a otro. Eso es un problema, porque sin un sentido de causa y efecto, las predicciones pueden ser muy erróneas. ¿Por qué una pelota de fútbol no debería dar marcha atrás en vuelo?

Esta es una preocupación particular con Diagnóstico impulsado por IA . Las enfermedades a menudo se correlacionan con múltiples síntomas. Por ejemplo, las personas con diabetes tipo 2 a menudo tienen sobrepeso y dificultad para respirar. Pero la dificultad para respirar no es causada por la diabetes, y tratar a un paciente con insulina no ayudará con ese síntoma.

La comunidad de IA se está dando cuenta de lo importante razonamiento causal podría ser para el aprendizaje automático y están luchando para encontrar formas de atornillarlo.

Los investigadores han intentado varias formas de ayudar a las computadoras a predecir lo que podría suceder a continuación. Los enfoques existentes entrenan un modelo de aprendizaje automático cuadro por cuadro para detectar patrones en secuencias de acciones. Muestre a la IA algunos fotogramas de un tren saliendo de una estación y luego pídale que genere los siguientes fotogramas de la secuencia, por ejemplo.

La IA puede hacer un buen trabajo al predecir algunos fotogramas en el futuro, pero la precisión cae bruscamente después de cinco o 10 fotogramas, dice Athanasios Vlontzos del Imperial College London. Debido a que la IA usa los fotogramas anteriores para generar el siguiente en la secuencia, los pequeños errores cometidos al principio (por ejemplo, algunos píxeles defectuosos) se combinan en errores más grandes a medida que avanza la secuencia.

Vlontzos y sus colegas querían probar un enfoque diferente. En lugar de hacer que una IA aprendiera a predecir una secuencia específica de fotogramas futuros al ver millones de videoclips, le permitieron generar una amplia gama de fotogramas que eran más o menos similares a los anteriores y luego elegir los que tenían más probabilidades de aparecer. Siguiente. La IA puede hacer conjeturas sobre el futuro sin tener que aprender nada sobre la progresión del tiempo, dice Vlontzos.

Para hacer esto, el equipo desarrolló un algoritmo inspirado en conos de luz, una descripción matemática de los límites de causa y efecto en el espacio-tiempo, que fue propuesto por primera vez en la teoría de la relatividad especial de Einstein y luego refinado por su exprofesor Hermann Minkowski. Los conos de luz surgen en física porque la velocidad de la luz es constante. Muestran los límites de expansión de un rayo de luz, y todo lo demás, a medida que emana de un evento inicial, como una explosión.

Tome una hoja de papel y marque un evento en ella con un punto. Ahora dibuja un círculo con ese evento en el centro. La distancia entre el punto y el borde del círculo es la distancia que ha viajado la luz en un período de tiempo, digamos, un segundo. Debido a que nada, ni siquiera la información, puede viajar más rápido que la luz, el borde de este círculo es un límite estricto en la influencia causal del evento original. En principio, cualquier cosa dentro del círculo podría haber sido afectada por el evento; nada fuera no podía.

Después de dos segundos, la luz ha viajado el doble de distancia y el tamaño del círculo se ha duplicado: ahora hay muchos más futuros posibles para ese evento original. Imagine estos círculos cada vez más grandes que se elevan segundo a segundo fuera de la hoja de papel, y tendrá un cono invertido con el evento original en su punta. Este es un cono de luz. Una imagen especular del cono también puede extenderse hacia atrás, detrás de la hoja de papel; contendrá todos los pasados ​​posibles que podrían haber llevado al evento original.

Vlontzos y sus colegas utilizaron este concepto para restringir los marcos futuros que podría elegir una IA. Probaron la idea en dos conjuntos de datos: MNIST en movimiento , que consta de breves videoclips de dígitos escritos a mano que se mueven en una pantalla, y el Serie de acción humana KTH , que contiene clips de personas caminando o agitando los brazos. En ambos casos, entrenaron a la IA para generar marcos similares a los del conjunto de datos. Pero, lo que es más importante, los fotogramas del conjunto de datos de entrenamiento no se mostraban en secuencia y el algoritmo no estaba aprendiendo cómo completar una serie.

Luego le pidieron a la IA que eligiera cuál de los nuevos marcos era más probable que siguiera a otro. Para hacer esto, la IA agrupó los cuadros generados por similitud y luego usó el algoritmo de cono de luz para dibujar un límite alrededor de aquellos que podrían estar causalmente relacionados con el cuadro dado. A pesar de no estar entrenada para continuar una secuencia, la IA aún podía hacer buenas conjeturas sobre qué fotogramas venían a continuación. Si le das a la IA un cuadro en el que camina una persona de pelo corto con una camisa, la IA rechazará los cuadros que muestren a una persona con el pelo largo o sin camisa, dice Vlontzos. El trabajo se encuentra en las etapas finales de revisión en NeurIPS, una importante conferencia de aprendizaje automático.

Una ventaja del enfoque es que debería funcionar con diferentes tipos de aprendizaje automático, siempre que el modelo pueda generar nuevos marcos que sean similares a los del conjunto de entrenamiento. También podría usarse para mejorar la precisión de las IA existentes entrenadas en secuencias de video.

Para probar el enfoque, el equipo hizo que los conos se expandieran a un ritmo fijo. Pero en la práctica, esta tasa variará. Una pelota en un campo de fútbol tendrá más posibles posiciones futuras que una pelota que viaja sobre rieles, por ejemplo. Esto significa que necesitarías un cono que se expandiera a un ritmo más rápido para el balón.

Calcular estas velocidades implica profundizar en la termodinámica, lo cual no es práctico. Por ahora, el equipo planea establecer el diámetro de los conos a mano. Pero al ver un video de un partido de fútbol, ​​digamos, la IA podría aprender cuánto y qué tan rápido se movían los objetos, lo que le permitiría establecer el diámetro del cono. Una IA también podría aprender sobre la marcha, observando qué tan rápido cambia un sistema real y ajustando el tamaño del cono para que coincida.

Predecir el futuro es importante para muchas aplicaciones. Los vehículos autónomos deben poder predecir si un niño está a punto de correr hacia la carretera o si un ciclista que se tambalea representa un peligro. Los robots que necesitan interactuar con objetos físicos deben poder predecir cómo se comportarán esos objetos cuando se muevan. Los sistemas predictivos en general serán más precisos si pueden razonar sobre causa y efecto en lugar de solo correlación.

Pero Vlontzos y sus colegas están particularmente interesados ​​en la medicina. Una IA podría usarse para simular cómo un paciente podría responder a un determinado tratamiento, por ejemplo, analizando cómo ese tratamiento podría seguir su curso, paso a paso. Al crear todos estos resultados posibles, puede ver cómo un medicamento afectará una enfermedad, dice Vlontzos. El enfoque también podría usarse con imágenes médicas. Dada una resonancia magnética de un cerebro, una IA podría identificar las formas probables en que una enfermedad podría progresar.

Es genial ver que se toman prestadas ideas de la física fundamental para hacer esto, dice Ciaran Lee, un investigador que trabaja en inferencia causal en Spotify y el University College London. Una comprensión de la causalidad es realmente importante si desea tomar acciones o decisiones en el mundo real, dice. Va al corazón de cómo las cosas llegan a ser como son: si alguna vez quiere hacer la pregunta '¿Por qué?', ​​Entonces necesita comprender la causa y el efecto.

esconder