Comment la relativité restreinte peut aider l'IA à prédire l'avenir

Étienne-Jules Marey

Personne ne sait ce qui va arriver dans le futur , mais certaines suppositions sont bien meilleures que d'autres. Un ballon de football botté ne s'inversera pas en l'air et ne reviendra pas dans le pied du botteur. Un cheeseburger à moitié mangé ne redeviendra pas entier. Un bras cassé ne guérira pas du jour au lendemain.

En s'appuyant sur une description fondamentale de la cause et de l'effet trouvée dans la théorie de la relativité restreinte d'Einstein, des chercheurs de l'Imperial College de Londres ont proposé un moyen d'aider les IA à faire de meilleures suppositions trop.

Le monde progresse pas à pas, chaque instant émergeant de ceux qui le précèdent. Nous pouvons faire de bonnes suppositions sur ce qui se passera ensuite parce que nous avons de fortes intuitions sur les causes et les effets, affinées en observant comment le monde fonctionne à partir du moment où nous sommes nés et en traitant ces observations avec des cerveaux câblés par des millions d'années d'évolution.

Les ordinateurs, cependant, trouvent difficile le raisonnement causal. Les modèles d'apprentissage automatique excellent pour repérer les corrélations, mais ont du mal à expliquer pourquoi un événement devrait suivre un autre. C'est un problème, car sans un sens de cause à effet, les prédictions peuvent être complètement fausses. Pourquoi un ballon de football ne devrait-il pas reculer en vol ?

Il s'agit d'une préoccupation particulière pour Diagnostic basé sur l'IA . Les maladies sont souvent corrélées à de multiples symptômes. Par exemple, les personnes atteintes de diabète de type 2 sont souvent en surpoids et souffrent d'essoufflement. Mais l'essoufflement n'est pas causé par le diabète, et le traitement d'un patient avec de l'insuline ne résoudra pas ce symptôme.

La communauté de l'IA se rend compte de l'importance raisonnement causal pourrait être pour l'apprentissage automatique et se démènent pour trouver des moyens de le verrouiller.

Les chercheurs ont essayé diverses façons d'aider les ordinateurs à prédire ce qui pourrait se passer ensuite. Les approches existantes forment un modèle d'apprentissage automatique image par image pour repérer des modèles dans des séquences d'actions. Montrez à l'IA quelques images d'un train sortant d'une gare, puis demandez-lui de générer les prochaines images de la séquence, par exemple.

Les IA peuvent faire du bon travail en prédisant quelques images dans le futur, mais la précision chute fortement après cinq ou 10 images, explique Athanasios Vlontzos de l'Imperial College de Londres. Étant donné que l'IA utilise les images précédentes pour générer la suivante dans la séquence, les petites erreurs commises au début - quelques pixels glitchés, par exemple - se transforment en erreurs plus importantes au fur et à mesure que la séquence progresse.

Vlontzos et ses collègues ont voulu essayer une approche différente. Au lieu d'apprendre à une IA à prédire une séquence spécifique d'images futures en regardant des millions de clips vidéo, ils lui ont permis de générer toute une gamme d'images qui étaient à peu près similaires aux précédentes, puis de choisir celles qui étaient les plus susceptibles de venir suivant. L'IA peut faire des suppositions sur l'avenir sans avoir à apprendre quoi que ce soit sur la progression du temps, explique Vlontzos.

Pour ce faire, l'équipe a développé un algorithme inspiré des cônes de lumière, une description mathématique des limites de cause à effet dans l'espace-temps, qui a d'abord été proposée dans la théorie de la relativité restreinte d'Einstein et affinée plus tard par son ancien professeur Hermann Minkowski. Les cônes de lumière apparaissent en physique parce que la vitesse de la lumière est constante. Ils montrent les limites d'expansion d'un rayon de lumière - et de tout le reste - lorsqu'il émane d'un événement initial, comme une explosion.

Prenez une feuille de papier et marquez-y un événement avec un point. Dessinez maintenant un cercle avec cet événement au centre. La distance entre le point et le bord du cercle est la distance parcourue par la lumière en une période de temps, disons une seconde. Parce que rien, pas même l'information, ne peut voyager plus vite que la lumière, le bord de ce cercle est une frontière dure sur l'influence causale de l'événement original. En principe, tout ce qui se trouve à l'intérieur du cercle aurait pu être affecté par l'événement ; rien à l'extérieur ne pouvait pas.

Après deux secondes, la lumière a parcouru deux fois la distance et la taille du cercle a doublé : il y a maintenant beaucoup plus de futurs possibles pour cet événement original. Imaginez ces cercles de plus en plus grands s'élevant seconde par seconde sur la feuille de papier, et vous avez un cône à l'envers avec l'événement original à son extrémité. Ceci est un cône de lumière. Une image miroir du cône peut également s'étendre vers l'arrière, derrière la feuille de papier ; il contiendra tous les passés possibles qui auraient pu conduire à l'événement original.

Vlontzos et ses collègues ont utilisé ce concept pour contraindre les futurs cadres qu'une IA pourrait choisir. Ils ont testé l'idée sur deux ensembles de données : Déménagement MNIST , qui consiste en de courts clips vidéo de chiffres manuscrits se déplaçant sur un écran, et le Série d'action humaine KTH , qui contient des extraits de personnes marchant ou agitant les bras. Dans les deux cas, ils ont formé l'IA pour générer des cadres qui ressemblaient à ceux de l'ensemble de données. Mais surtout, les cadres de l'ensemble de données d'apprentissage n'étaient pas affichés en séquence et l'algorithme n'apprenait pas à compléter une série.

Ils ont ensuite demandé à l'IA de choisir laquelle des nouvelles images était la plus susceptible de suivre une autre. Pour ce faire, l'IA a regroupé les images générées par similarité, puis a utilisé l'algorithme du cône de lumière pour tracer une limite autour de celles qui pourraient être liées de manière causale à l'image donnée. Bien qu'elle n'ait pas été formée pour continuer une séquence, l'IA pouvait toujours faire de bonnes suppositions sur les images suivantes. Si vous donnez à l'IA un cadre dans lequel une personne aux cheveux courts portant une chemise marche, l'IA rejettera les cadres qui montrent une personne aux cheveux longs ou sans chemise, explique Vlontzos. Le travail est en phase finale d'examen à NeurIPS, une importante conférence sur l'apprentissage automatique

Un avantage de l'approche est qu'elle devrait fonctionner avec différents types d'apprentissage automatique, tant que le modèle peut générer de nouveaux cadres similaires à ceux de l'ensemble d'apprentissage. Il pourrait également être utilisé pour améliorer la précision des IA existantes entraînées sur des séquences vidéo.

Pour tester l'approche, l'équipe a fait agrandir les cônes à un rythme fixe. Mais en pratique, ce taux variera. Un ballon sur un terrain de football aura plus de positions futures possibles qu'un ballon voyageant sur des rails, par exemple. Cela signifie que vous auriez besoin d'un cône qui se dilate plus rapidement pour le football.

Travailler sur ces vitesses implique d'approfondir la thermodynamique, ce qui n'est pas pratique. Pour l'instant, l'équipe prévoit de régler le diamètre des cônes à la main. Mais en regardant la vidéo d'un match de football, par exemple, l'IA pourrait apprendre combien et à quelle vitesse les objets se déplaçaient, ce qui lui permettrait de définir le diamètre du cône lui-même. Une IA pourrait également apprendre à la volée, en observant la vitesse à laquelle un système réel a changé et en ajustant la taille du cône en conséquence.

Prédire l'avenir est important pour de nombreuses applications. Les véhicules autonomes doivent être capables de prédire si un enfant est sur le point de percuter la route ou si un cycliste hésitant présente un danger. Les robots qui doivent interagir avec des objets physiques doivent être capables de prédire comment ces objets se comporteront lorsqu'ils seront déplacés. Les systèmes prédictifs en général seront plus précis s'ils peuvent raisonner sur les causes et les effets plutôt que sur la simple corrélation.

Mais Vlontzos et ses collègues s'intéressent particulièrement à la médecine. Une IA pourrait être utilisée pour simuler la façon dont un patient pourrait réagir à un certain traitement, par exemple, en déroutant comment ce traitement pourrait suivre son cours, étape par étape. En créant tous ces résultats possibles, vous pouvez voir comment un médicament affectera une maladie, dit Vlontzos. L'approche pourrait également être utilisée avec des images médicales. Compte tenu d'une IRM d'un cerveau, une IA pourrait identifier les voies probables de progression d'une maladie.

C'est très cool de voir des idées de la physique fondamentale empruntées pour ce faire, déclare Ciaran Lee, un chercheur qui travaille sur l'inférence causale à Spotify et à l'University College London. Une compréhension de la causalité est vraiment importante si vous voulez prendre des mesures ou prendre des décisions dans le monde réel, dit-il. Cela va au cœur de la façon dont les choses deviennent telles qu'elles sont : si jamais vous voulez poser la question « Pourquoi ? », alors vous devez comprendre la cause et l'effet.

cacher