Algoritmus Dynami-CAL GraphNet predpovedá fyzikálne javy s presnosťou 16,000 krokov
Zdroj: EPFL News - Cécilia Carron | 20. 2. 2026
Tím výskumníkov z EPFL vyvinul algoritmus Dynami-CAL GraphNet, ktorý umožňuje modelovať zložité dynamické procesy s ohľadom na fyzikálne zákony. Tento algoritmus integruje Newtonov tretí zákon, čím zaisťuje fyzicky konzistentné predpovede. Tradičné modely často vyžadujú veľké množstvo výpočtového času a výkonu, zatiaľ čo Dynami-CAL GraphNet dokáže spracovať viac ako 16,000 krokov bez odchýlenia sa od fyzikálnych zákonov. Tento prístup umožňuje modelu nielen generalizovať, ale aj extrapolovať, čo je pre väčšinu algoritmov strojového učenia náročné. Prof. Olga Fink zdôrazňuje, že tento model môže efektívne zvládať systémy s veľkým počtom objektov a rôznymi prostrediami.
Umelá inteligencia a fyzikálne zákony
Umelá inteligencia umožnila významné prielomy v rôznych oblastiach, avšak modely stále zápasia s dodržiavaním základných fyzikálnych zákonov. Ako ľudia intuitívne vieme, že objekty padajú, odrážajú sa a vyvíjajú silu. Tieto znalosti dokážeme ľahko prenášať medzi rôznymi objektmi a ich veľkosťami, ale stroje túto schopnosť nemajú. To predstavuje obzvlášť obmedzujúci problém pre vedcov a inžinierov: aj ich najsofistikovanejšie AI modely sa strácajú pri pokuse aplikovať základné fyzikálne koncepty na predikciu zložitých procesov, ako je pohyb ľudského tela, zrážky častíc a mechanizmy prevodov v priemyselných zariadeniach a robotoch. Modely nakoniec robia úplne nekonzistentné predpovede o správaní fyzikálnych systémov, keď čas postupuje a chyby sa hromadia.
Vývoj Dynami-CAL GraphNet
Na druhej strane, klasické modely presne dodržiavajú fyzikálne zákony, ale vyžadujú neprimerané množstvo výpočtového času a výkonu pre systémy s rôznymi objektmi a interakciami. A simulácie nemusia byť úplne konzistentné so skutočnými systémami a ich pozorovaniami. Klasické modely tiež vyžadujú premodelovanie, aby sa vyrovnali s úplne novými podmienkami alebo konfiguráciami systémov. Aby poskytli výskumníkom spoľahlivejšie AI nástroje, vedci z laboratória Intelligent Maintenance and Operations Systems (IMOS) na EPFL vyvinuli algoritmus nazvaný Dynami-CAL GraphNet, ktorý umožňuje AI modelom neustále dodržiavať fyzikálne zákony. Integráciou Newtonovho tretieho zákona sme prešli od AI modelu, ktorý sa snaží odvodiť fyzikálne správanie z dát, k modelu navrhnutému na dodržiavanie základnej fyziky.
Implementácia Newtonovho tretieho zákona
V fyzikálnom svete sa Newtonov tretí zákon nedá obísť, hovorí, že každá akcia má rovnakú a opačnú reakciu. Pri chôdzi tlačíme proti zemi, aby sme sa pohli dopredu; keď hodíme loptu proti stene, odrazí sa späť; a keď naštartujeme motor, výsledná sila spôsobí pohyb v opačnom smere. Newtonov zákon je pilierom fyziky a platí univerzálne - pre molekuly a zrná piesku, ako aj pre ľudské telá a stroje. AI algoritmus použitý výskumníkmi z IMOS je grafová neurónová sieť (GNN), alebo druh modelu, v ktorom sú interagujúce objekty reprezentované uzlami a interakcie medzi nimi hranami v sieti. To robí GNN obzvlášť vhodnými na modelovanie systémov pozostávajúcich z viacerých interagujúcich komponentov.
Výhody Dynami-CAL GraphNet
Pre Dynami-CAL GraphNet výskumníci priamo vložili Newtonov tretí zákon do AI architektúry, čím zabezpečili, že algoritmus produkuje fyzicky konzistentné predpovede a zabraňuje nereálnym alebo nekonzistentným odhadom síl - aj v predtým neznámych situáciách. "Prešli sme od AI modelu, ktorý používa štatistiku na pokus o odhad fyzikálneho správania objektov, k modelu, ktorý je postavený na sledovanie tohto správania," hovorí Vinay Sharma, doktorand v IMOS lab. "Náš prístup nemôže nahradiť všetky fyzikálne rovnice, ale môže zabezpečiť, že interakcie sú modelované koherentným spôsobom a umožniť výskumníkom vykonávať stabilné, dôveryhodné simulácie." Väčšina ostatných modelov sa rozpadne po niekoľkých iteráciách, ale Dynami-CAL GraphNet dokáže modelovať viac ako 16,000 krokov za sebou bez odchýlenia sa od fyzikálnych zákonov.
Univerzálnosť a extrapolácia
Pretože Newtonov tretí zákon je univerzálny, ich prístup nezávisí od mierky alebo typu systému. "To je to, čo umožňuje nášmu modelu nielen generalizovať - to znamená aplikovať to, čo sa naučil, na podobné situácie - ale aj extrapolovať, tým, že produkuje spoľahlivé predpovede v úplne nových situáciách," hovorí Prof. Olga Fink, vedúca IMOS lab. "Táto extrapolácia je niečo, čo algoritmy strojového učenia zriedka robia dobre." Dynami-CAL GraphNet - na rozdiel od iných AI modelov - môže efektívne zvládať systémy zahŕňajúce veľké množstvo objektov, vyššie rýchlosti, nezvyčajné konfigurácie a rôzne prostredia.
Zdroj
Autor pôvodného článku: Cécilia Carron
Zdroj: EPFL News
Originál: https://actu.epfl.ch/news/new-ai-algorithm-is-designed-to-obey-the-laws-of-p
Preklad a úprava: Redakcia umelainteligencia24
Licencia: CC BY-SA 4.0
Inzercia
Tento článok bol pôvodne publikovaný na EPFL News. Preklad a úprava: Martin Kováč, umelá inteligencia24.
O autorovi
Martin Kováč
Martin je technologický novinár so zameraním na umelú inteligenciu, umelú inteligenciu a automatizáciu. Po štúdiu informatiky na STU v Bratislave pracoval v niekoľkých technologických firmách, odkiaľ prináša praktický pohľad na najnovšie inovácie. Pre umelá inteligencia24 pokrýva témy od priemyselných AI systémov až po spotrebiteľskú elektroniku a autonómne vozidlá.
