详细内容或原文请订阅后点击阅览
人工智能模型具有物理感觉，可以模拟更广泛的现实世界场景
“GeoPT”帮助人工智能模型了解物理学的基础知识，以便它们能够更有效、更准确地模拟物体如何响应风和水等事物。
来源:MIT新闻 - 人工智能人工智能模型适用于许多行业，包括编写、生成图像和创建 3D 模型。但当涉及到在不同环境中测试机器人或车辆设计时，它们并没有那么有用，因为它们对物理的理解不如对像素或文本的理解。
为了构建能够可靠地模拟各种物理场景的人工智能系统，工程师需要一系列规模尚不可行的物理数据。这是因为让神经网络仅获取它们可以理解的几个数据点是非常耗时的。他们依靠称为“数值解算器”的算法来计算 3D 形状不同点的物理属性。这是一个彻底的过程，但需要很长时间，以至于限制了您需要的数据量，例如，测试您的飞机设计是否安全和空气动力学。
麻省理工学院计算机科学与人工智能实验室 (CSAIL) 和清华大学的研究人员开发了一种名为“GeoPT”的新预训练方法，为模拟模型提供了以更广泛、更有效的方式学习物理的机会。它实际上以 3D 形式重现了日常机械相互作用，展示了粒子在到达物体的某些部分时如何停止。这些模拟让模型了解物理原理，帮助他们更准确地对现实世界进行建模，达到峰值性能的速度提高一倍，并且与领先模型相比，训练数据最多可减少 60%。
很快，该项目可以帮助工程师预测车辆（如汽车和飞机）、日常用品（包括椅子和容器）和机器人如何响应各种物理元素，例如风、水和碰撞。研究人员认为，他们的工作也可能是迈向物理基础模型的一步，这是一个经过大量数据训练的骨干系统，可以帮助人工智能工具泛化到不同的任务。
易于使用
行业成功
研究人员的工作部分得到了机器人神经模块化物理双胞胎的支持。