Syvän oppimisen vieras tyyli

Lähde: http://www.arup.com/news/2015_05_may/11_may_3d_makeover_for_hyper-efficient_metalwork

Mitä tapahtuu, kun syvä oppiminen alkaa tuottaa malleja? Yleinen väärinkäsitys olisi, että koneen suunnittelu näyttää 'mekaaniselta' tai 'loogiselta'. Kuitenkin mitä näyttää siltä, ​​että ne näyttävät erittäin orgaanisilta, tosiasiassa ne näyttävät orgaanisilta tai kuin muukalaisbiologialta. Katso näitä jännittäviä malleja.

Yllä oleva kuva on kuvattu seuraavasti:

”Tämä ei ole vain jännittävä kehitys rakennusalalla, mutta myös monilla muilla aloilla. Tämän nimenomaisen kappaleen korkeus on suunnilleen puolet perinteisille tuotantomenetelmille suunnitellusta korkeudesta, kun taas suora painon alennus solmua kohti on 75%. Rakennushankkeessa, joka tarkoittaa, että voisimme tarkastella kokonaisrakenteen kokonaispainon alentamista yli 40%. Mutta todella jännittävä osa on, että tätä tekniikkaa voidaan soveltaa mihin tahansa teollisuudelle, joka käyttää monimutkaisia, korkealaatuisia metallituotteita. ”
- Salomé Galjaard, joukkueenjohtaja Arupissa

Tämä on kehys, jonka on suunnitellut generatiivinen algoritmi:

Antennin oikealla puolella oleva malli on kaksi kertaa tehokkaampi kuin vasemmalla:

Lähde: http://hub-apac.insight.com/h/i/189108757-cad-is-a-lie-generative-design-to-the-rescue/166669

Algoritmin tuottama kevyt pyöränvarsi.

Lähde: http://www.instructables.com/id/How-to-Design-a-Bike-Stem-in-Dreamcatcher/

Kevyt moottorilohko.

Lähde: http://inthefold.autodesk.com/in_the_fold/2015/07/autodesk-within-generative-design-optimized-for-3d-printing.html

Monet näistä malleista ovat peräisin Autodeskin DreamCatcher-tutkimuksesta.

Dreamcatcher-järjestelmän avulla suunnittelijat voivat syöttää erityisiä suunnittelutavoitteita, mukaan lukien toiminnalliset vaatimukset, materiaalin tyyppi, valmistusmenetelmä, suorituskykykriteerit ja kustannusrajoitukset. Suunniteltujen vaatimusten kanssa ladattu järjestelmä etsii sitten prosessoidusti syntetisoidun suunnittelutilan arvioidakseen valtavan määrän tuotettuja malleja suunnitteluvaatimusten täyttämiseksi.

Generatiiviset mallit ovat olemassa myös fyysisen maailman lisäksi myös hermoverkkojen suunnittelussa:

Nämä pitkät lyhytaikaiset muistit (LSTM) on suunniteltu algoritmin avulla ja niiden on osoitettu olevan tehokkaampia kuin perinteiset LSTM (Huomaa: Nämä ovat hermostoverkkoja, jotka on suunniteltu muistielementeillä). Nämä ovat generatiivisia hermoarkkitehtuureja, koneita, jotka oppivat oppimaan, enemmän kuin metametamallit. Oppiminen ei ilmeisesti ole yhtenäistä, ja uskon voimakkaasti, että metatason päättely on oppimisen ensisijainen mekanismi ja että se heijastuu sen biologisessa ilmenemisessä. Loppujen lopuksi, eikö oppimista paranna monimuotoisuus ja sopeutumiskyky? Samat aineosat biologiseen selviytymiseen?

Yllättävää on, että näitä malleja ei ole olemassa tyylin vuoksi. Pikemminkin nämä mallit ovat itse asiassa optimaaliset ratkaisut useisiin kilpaileviin suunnitteluvaatimuksiin. Miksi ne näyttävät orgaanisilta tai biologisilta? Onko tähän johtava biologisissa järjestelmissä olemassa oleva perusperiaate? Miksi ratkaisut eivät ole niukkoja, vaan melko monimutkaisia?

Vielä syvällisempi kysymys on, jos nämä olivat optimaaliset mallit, miksi elottomat esineet eivät näytä tältä? Elämättömillä kohteilla, jotka ovat monimutkaisia, on yleensä fraktaalityyli:

Luotto: http://www.fhshh.com/tutkimus-fraktalit-erikoiset-esimerkit-of-geometrinen-komplexiteetti-äiti-luonto.html

Itse samankaltaisilla toistuvilla malleilla, joita näemme kiteissä ja rannikoissa, on tyyliltään erilainen kuin orgaanisissa tai biologisissa tyylit, vaikka ne näyttävätkin monimutkaisilta. Syvällä oppimisella on selvästi samanlaiset ominaisuudet kuin biologisissa järjestelmissä. Epäilen, että tämä ero johtuu laskennallisten koneiden erosta, joka näitä luo. On todella kiehtovaa, että näiden luomien esineiden tyyli heijastaa sen alkijan prosessia.

Itse samankaltaisuus luodaan yhtenäisillä prosesseilla, joita esiintyy monissa mittakaavoissa. Sitä vastoin biologisia prosesseja tapahtuu myös useissa mittakaavoissa, monimuotoisuutta pikemminkin yhdenmukaisuutta kannustetaan. Esimerkiksi ihmisillä on viisinkertainen symmetria. Näemme samankaltaisuuden esiintyvän monissa mittakaavoissa, mikä tarkoittaa, että näemme mielenkiintoisia piirteitä erilaisilla karkeilla rakeustasoilla, mutta näemme myös monimuotoisuuden. Siksi Deep Learning -järjestelmien suunnittelut näyttävät biologisilta, rakennusprosessissa käytetään samanlaisia ​​mekanismeja.

Äskettäinen tutkimus ”AI-aivojen sisällä - miltä kone näyttää?” Paljastaa samanlaisen biologisen, kuten monimutkaisuuden syvän oppimisen järjestelmissä. Tässä on ResNet-50 Deep Learning -verkon visualisointi:

Luotto: https://www.graphcore.ai/blog/what-does-machine-learning-look-like

On todella kiehtovaa, että monimutkaisuus, jos hyvin erilainen kuin kaaositeorian monimutkaisuus.

Yksi väärinkäsitys on, että keinotekoiset hermostoverkot tai syväoppiminen ovat biologisesti inspiroituneita. Tämä ei ole totta. Se saattoi ajatella olevan totta jo 1950-luvulla, kun Perceptron esiteltiin ensimmäisen kerran. Parhaimmillaan Deep Learning käyttää kuitenkin sarjakuvamaista versiota neuronista ja uudemmat arkkitehtuurit koostuvat laskennallisista elementeistä, jotka ovat hyvin erilaisia ​​siitä, kuinka biologinen neuroni toimisi. Siitä huolimatta on todellakin yllättävää, että huolimatta siitä, että se on hyvin erilainen kuin biologia, seurauksena oleva havaittavissa oleva käyttäytyminen näyttää olevan hyvin samankaltainen molempien välillä. On selvää, että kaiken tämän taustalla on joukko perusprosesseja, jotka ovat sekä biologian että syvän oppimisen yhteisiä. Että perusprosessit ovat mitä me kaikki pyrimme löytämään.

Viimeinen asia, vaikka vain DL: llä on jonkin verran käyttäytymistä, joka näyttää olevan biologista, se on silti kaukana jostakin älykkäästä. Tiedämme kuitenkin ainakin yhden älykkyystapauksen, ja se sattuu olemaan biologista.

Lisää tietoa täältä: https://gumroad.com/products/WRbUs

Lisätietoja tästä Intuition Machine -palvelussa, lue julkaisu: https://medium.com/intuitionmachine tai liity FaceBook-ryhmään: https://www.facebook.com/groups/deeplearningpatterns/

♡ Sydän, jos pidät tästä löytöstä kiehtovaa!