AI mistura concreto, projeta moléculas e pensa com lasers espaciais – TechCrunch

Bem-vindo ao Perceptron, o resumo semanal do TechCrunch de notícias e pesquisas de IA de todo o mundo. O aprendizado de máquina é uma tecnologia chave em praticamente todos os setores agora, e há muita coisa acontecendo para qualquer um acompanhar tudo. Esta coluna tem como objetivo coletar algumas das descobertas e artigos recentes mais interessantes no campo da inteligência synthetic – e explicar por que eles são importantes.

(Anteriormente conhecido como Ciência Profunda; confira as edições anteriores aqui.)

O resumo desta semana começa com um par de estudos de visão de futuro do Fb/Meta. A primeira é uma colaboração com a Universidade de Illinois em Urbana-Champaign que visa reduzir a quantidade de emissões da produção de concreto. O concreto é responsável por cerca de 8% das emissões de carbono, portanto, mesmo uma pequena melhoria pode nos ajudar a atingir as metas climáticas.

O que a equipe Meta/UIUC fez foi treinar um modelo em mais de mil fórmulas de concreto, que diferiam em proporções de areia, escória, vidro fosco e outros materiais (você pode ver uma amostra de concreto mais fotogênico no topo). Encontrando as tendências sutis neste conjunto de dados, foi capaz de produzir uma série de novas fórmulas otimizando tanto a força quanto as baixas emissões. A fórmula vencedora acabou tendo 40% menos emissões do que o padrão regional e atendeu... bem, algum dos requisitos de força. É extremamente promissor, e estudos de acompanhamento em campo devem movimentar a bola novamente em breve.

O segundo estudo Meta tem a ver com a mudança de como modelos de linguagem trabalhar. A empresa quer trabalhar com especialistas em imagens neurais e outros pesquisadores para comparar como os modelos de linguagem se comparam à atividade cerebral actual durante tarefas semelhantes.

Em explicit, eles estão interessados ​​na capacidade humana de antecipar palavras muito à frente da atual enquanto falam ou ouvem – como saber que uma frase terminará de uma certa maneira, ou que há um “mas” vindo. Os modelos de IA estão ficando muito bons, mas ainda funcionam principalmente adicionando palavras uma a uma, como peças de Lego, ocasionalmente olhando para trás para ver se faz sentido. Eles estão apenas começando, mas eles já têm alguns resultados interessantes.

De volta à dica de materiais, pesquisadores do Oak Ridge Nationwide Lab estão entrando na diversão da formulação de IA. Usando um conjunto de dados de cálculos de química quântica, sejam eles quais forem, a equipe criou uma rede neural que poderia prever as propriedades do subject matter – mas depois a inverteu para que pudessem propriedades de entrada e sugira materiais.

“Em vez de pegar um subject matter e prever suas propriedades dadas, queríamos escolher as propriedades ideais para nosso propósito e trabalhar para trás para projetar essas propriedades de forma rápida e eficiente com alto grau de confiança. Isso é conhecido como design inverso”, disse Victor Fung do ORNL. Parece ter funcionado - mas você pode verificar por si mesmo executando o código no Github.

Preocupado com previsões físicas em uma escala totalmente diferente, este projeto ETHZ estima as alturas das copas das árvores em todo o mundo usando dados dos satélites Copernicus Sentinel-2 da ESA (para imagens ópticas) e GEDI da NASA (variação de laser orbital). A combinação dos dois em uma rede neural convolucional resulta em um mapa world preciso de alturas de árvores de até 55 metros de altura.

Ser capaz de fazer esse tipo de levantamento common de biomassa em escala world é importante para o monitoramento do clima, como explica Ralph Dubayah, da NASA: “Simplesmente não sabemos quão altas são as árvores globalmente. Precisamos de bons mapas globais de onde estão as árvores. Porque sempre que derrubamos árvores, liberamos carbono na atmosfera e não sabemos quanto carbono estamos liberando.”

Você pode facilmente navegue pelos dados em forma de mapa aqui.

Também relacionado às paisagens é este projeto DARPA sobre a criação de ambientes simulados em grande escala para veículos autônomos virtuais atravessarem. Eles concederam o contrato à Intelembora eles possam ter economizado algum dinheiro entrando em contato com os criadores do jogo Snowrunnerque basicamente faz o que a DARPA quer por US$ 30.

O objetivo do RACER-Sim é desenvolver AVs off-road que já saibam como é percorrer um deserto rochoso e outros terrenos acidentados. O programa de 4 anos se concentrará primeiro na criação dos ambientes, na construção de modelos no simulador e, posteriormente, na transferência das habilidades para sistemas robóticos físicos.

No domínio de produtos farmacêuticos de IA, que tem cerca de 500 empresas diferentes no momento, O MIT tem uma abordagem sensata em um modelo que apenas sugere moléculas que podem realmente ser feitas. “Os modelos geralmente sugerem novas estruturas moleculares que são difíceis ou impossíveis de produzir em laboratório. Se um químico não pode realmente fazer a molécula, suas propriedades de combate a doenças não podem ser testadas.”

O modelo do MIT “garante que as moléculas são compostas de materiais que podem ser adquiridos e que as reações químicas que ocorrem entre esses materiais seguem as leis da química”. Isso soa como o que Molecule.one faz, mas integrado ao processo de descoberta. Certamente seria bom saber que a droga milagrosa que sua IA está propondo não requer nenhum pó de fada ou outra matéria exótica.

Outro trabalho do MIT, da Universidade de Washington e de outros é sobre ensinar robôs a interagir com objetos do cotidiano – algo que todos esperamos que se torne comum nas próximas décadas, já que alguns de nós não têm lava-louças. O problema é que é muito difícil dizer exatamente como as pessoas interagem com os objetos, já que não podemos retransmitir nossos dados em alta fidelidade para treinar um modelo. Portanto, há muitas anotações de dados e rotulagem handbook envolvidas.

A nova técnica concentra-se em observar e inferir a geometria 3-D muito de perto, de modo que são necessários apenas alguns exemplos de uma pessoa segurando um objeto para que o sistema aprenda a fazê-lo sozinho. Normalmente, pode levar centenas de exemplos ou milhares de repetições em um simulador, mas este precisou de apenas 10 demonstrações humanas por objeto para manipular efetivamente esse objeto.

Ele alcançou uma taxa de sucesso de 85% com esse treinamento mínimo, muito melhor do que o modelo de linha de base. Atualmente, está limitado a um punhado de categorias, mas os pesquisadores esperam que possa ser generalizado.

O último desta semana é alguns trabalho promissor da Deepmind em um “modelo de linguagem visible” multimodal que combina conhecimento visible com conhecimento linguístico para que ideias como “três gatos sentados em cima do muro” tenham uma espécie de representação cruzada entre gramática e imagens. Afinal, é assim que nossas próprias mentes funcionam.

Flamingo, seu novo modelo de “propósito geral”, pode fazer a identificação visible, mas também dialogar, não porque são dois modelos em um, mas porque combina linguagem e compreensão visible. Como vimos em outras organizações de pesquisa, esse tipo de abordagem multimodal produz bons resultados, mas ainda é altamente experimental e computacionalmente intenso.