Группа ученых из Университета Глазго использовала автономного робота на основе инновационных алгоритмов, чтобы проанализировать влияние температуры на скорость капель масла. Речь идет о достаточно простой физической задаче – робот самостоятельно проводил эксперименты, капая разные смеси масел в чашки Петри и записывая результаты.
Тем не менее, ученые использовали усложненные алгоритмы, позволившие оптимизировать эксперименты.
В опубликованной работе исследователи сравнивают алгоритмы «любопытства» с гольфом. В качестве примера они приводят новичка, который первый раз играет в гольф – ему известно, что можно выбирать разные клюшки и менять интенсивность удара (в случае с роботом это параметры эксперимента). Новичок также знает, где находится лунка – это пространство для наблюдений. Однако основной вопрос для программирования любопытства – случайный подбор способов эксперимента (или особенностей ударов в гольфе), позволяющий получить интересные открытия.
В рамках эксперимента с каплями масла случайный «любопытный» алгоритм сравнили с традиционным случайным алгоритмом – оба должны были провести 1000 автономных испытаний, каждое из которых длилось 90 секунд. Наблюдая первые испытания «любопытного алгоритма», ученые обнаружили неожиданное изменение скорости капель масла, вызванное небольшим перепадом температуры окружающей среды. Исследователи решили изменить эти параметры и увидели, что «любопытный» алгоритм добивался значительно больших вариаций в поведении капель, чем обычный случайный поиск. Таким образом, улучшенный алгоритм позволял получить больше уникальных результатов.
Ученые убеждены, что только «любопытный» алгоритм способен был отследить неожиданное изменение скорости капель масла под воздействием температуры. Благодаря нововведению исследователи обнаружили ранее неизвестные свойства капель. Команда подчеркивает, что новому алгоритму удалось получить более разнообразные результаты в ходе всего 128 попыток по сравнению с полным циклом в 1000 испытаний стандартного случайного алгоритма.
We applied intrinsically motivated #AI to explore a chemical system in the lab: https://t.co/ZaXjqqbBgy @ScienceAdvances
— Jonathan Grizou (@jgrizou) February 3, 2020
Results:
- 3x more varied observations than screening
- enabled new observation that we study in depth
- data show we improve rate of discoveries
1/8 pic.twitter.com/J4PJIuP36O
Комментарии
(0) Добавить комментарий