Menu

  • Home
  • Trending
  • Recommended
  • Latest

分类目录

  • AI 工具
  • AI新势力
  • XiaoHu.AI 学院
    • AI 教程
    • AI 课程
  • XiaoHu.AI日报
  • 开源项目案例库
    • AI 论文
    • AI 资源
    • AI 项目
XiaoHu.AI学院
  • Home
  • AI 工具
  • XiaoHu.AI 学院
    • AI 教程
    • AI 课程
  • XiaoHu.AI日报
  • 开源项目案例库
    • AI 论文
    • AI 资源
    • AI 项目
  • 加入会员
  • →社群
No Result
View All Result
  • Login
XiaoHu.AI学院
No Result
View All Result
Home 开源项目案例库 AI 论文

Newton AI 模型:通过输入传感器数据 模型可以分析数据自行发现物理规律

by 小互
2024年10月19日
in AI 论文, XiaoHu.AI日报
0 0
0
Newton AI 模型:通过输入传感器数据 模型可以分析数据自行发现物理规律
0
SHARES
551
VIEWS
Share on FacebookShare on Twitter

之前报道 Archetype AI 发布了一个创新的人工智能平台 —— Newton™,这是一个专门为理解物理世界设计的基础模型。

Newton™ 与目前的文本和图像分析的生成式 AI 模型不同,它结合了实时传感器数据(如雷达、摄像头、加速度计、温度传感器等)和自然语言处理技术,使用户能够对周围世界提出开放式问题,并做出明智的决策。

Newton:能理解和推理物理世界的模型 实时了解真实世界

最近Archetype AI 团队发表了一篇新的论文《A Phenomenological AI Foundation Model for Physical Signals》,展示了如何通过这个AI基础模型,能够在没有明确教导物理定律的情况下,有效地编码和预测它从未接触过的物理行为和过程。

也就是说,这个模型不需要提前学习具体的物理知识,而是通过分析数据自行发现物理规律。

Newton模型的核心特点:
  1. 无需物理定律的先验输入:
    • Newton不是基于预设的物理定律(如能量守恒或牛顿运动定律)进行学习,而是通过分析大量传感器数据自主发现物理规律。
    • 这种方法类似于科学家们在没有先验知识的情况下,通过观察和测量推导出物理定律的过程。
  2. 零次预测能力(Zero-Shot Forecasting):
    • Newton具有强大的“零次预测”能力,即它能够在从未见过的物理系统上进行预测。例如,Newton在没有被专门训练的情况下,能够基于实时或历史传感器数据预测复杂物理系统的行为,如城市的电力需求、工业设备的温度变化等。
    • 这一能力展示了Newton模型在多领域应用中的广泛适应性。
  3. 通过传感器数据进行学习:
    • Newton使用传感器数据进行自主学习,涵盖了从电流、流体流动到光学传感器的各种物理现象。通过0.59亿个开放数据集样本的预训练,Newton能够从这些噪声数据中提取出物理系统中的隐藏模式和统计分布。
  4. 轻量级解码器的应用:
    • 在Newton模型的基础上,团队还开发了多个轻量级的应用特定的神经网络解码器,这些解码器能够基于Newton的编码信息执行特定的物理任务,如预测未来的物理系统行为或重构过去的事件。
newton-zero-shot-forecasting-of-a-spring-mass-system-1080-ytshorts.savetube.me

Newton模型经过数百万个传感器数据的训练,能够预测其从未接触过的物理系统。例如,在弹簧-质量系统这样的经典物理系统中,Newton展现了出色的预测能力。

AI 如何“理解”现实世界?

传统上,理解物理现象需要先学习物理定律,如能量守恒定律,然后应用这些定律来分析物理数据。我们常常认为 AI 也需要这种先验知识,才能理解和处理来自物理世界的数据。但 Archetype AI 的 Newton 模型采取了不同的路线,旨在通过传感器数据自主学习和预测物理系统的行为。它并不依赖预设的物理定律,而是直接通过观察数据来推导这些物理规律。

挑战:物理世界的复杂性

物理世界非常复杂,许多现象无法仅通过几个物理定律来完全描述。例如,像电网这样复杂的系统,很难用简单的方程式精确描述。传统的 AI 模型在面对这些复杂现象时,通常需要针对每种情况专门定制。但 Newton 模型通过从传感器数据中自主学习,展现出了一种全新的理解物理世界的方式,类似于人类科学家通过观察和实验推导出自然规律。

关键突破:

Newton 模型通过数百万个传感器数据进行训练,能够“零-shot”预测未曾见过的物理现象。这意味着它不需要预先了解具体的系统就能推导其未来行为。Newton 模型展示了 AI 在没有明确物理知识输入的情况下,学习物理现象并做出预测的能力。

Newton 模型如何工作?

工作原理

Newton模型的工作原理基于AI的深度学习技术,专注于从传感器数据中自主学习物理系统的规律。基于超过5.9亿条开源物理行为数据训练,采用了基于Transformer的深度神经网络来编码原始传感器数据,并通过多个轻量级的神经网络解码器进行特定任务的预测。这种架构极大提升了AI模型的泛化能力,使其能够适应多种复杂物理系统的预测,如电网负载、温度变化等。

它与传统的物理建模不同,不依赖于预先输入的物理定律,而是通过数据驱动的方式,通过大量的传感器数据,逐步发现和预测复杂物理系统的行为。

数据基础:

  • Newton模型的训练基础是一个庞大的开源数据集,包含了5.9亿个样本,涵盖了广泛的物理行为数据,例如电流流动、流体运动和光学传感器测量等。这些数据代表了各类物理现象,从简单的机械运动到复杂的自然和工业过程。

基于Transformer的深度神经网络:

Newton 模型基于 transformer 架构的深度神经网络,模型的核心由 编码器(encoder) 和 现象学解码器(phenomenological decoders) 组成,能够处理传感器数据,并生成物理过程的预测结果。

  • 编码器部分:使用 Transformer 网络对传感器数据进行编码,将这些数据转换为通用的隐空间表示(latent representation),即物理信号的紧凑特征向量,它包含了不同物理现象的统计模式和分布。
  • 解码与应用:接下来,Newton 模型使用特定应用场景的轻量化解码器来解释这些模式。通过这些解码器,Newton 可以执行现实任务,例如根据传感器数据预测未来事件,或重建过去的物理现象。
其工作流程可以分为以下几个关键步骤:

1. 数据输入:传感器数据的收集

  • 多样化传感器数据:Newton模型首先从各种传感器收集大量的物理数据,例如电流、温度、流体动力学、光学传感器等。这些数据可以是实时传输的,也可以是历史记录的物理现象数据。
  • 数据类型广泛:这些传感器可以测量来自不同行业和领域的物理现象,例如电网负载、机器温度变化、流体流动等。这使Newton模型能够接触广泛的物理系统行为。

2. 数据预处理与特征提取

  • 处理噪声和多样性:传感器数据通常包含噪声和复杂的背景信息。Newton使用神经网络技术来预处理这些数据,去除噪声并提取其中的关键物理特征。
  • 特征提取:通过深度学习算法,Newton从这些不同来源的物理数据中提取出具有代表性的特征,帮助模型理解数据背后隐藏的物理模式和规律。

3. 模型编码:学习物理系统的模式

  • 深度学习模型:Newton模型采用基于Transformer架构的深度神经网络,这是目前用于处理序列数据的最前沿AI技术。通过这种网络,Newton能够将所有传感器数据编码为一种统一的隐变量空间(latent space),即在不同物理系统中通用的特征表示。
  • 跨领域学习:Newton的一个独特优势在于,它并不局限于学习某一个特定的物理系统,而是通过从多个不同的物理现象中提取共性,创建一个通用的物理规律模型。这种方法使Newton具备了在不同物理系统之间进行预测的能力。

4. 解码与预测:利用编码信息做出决策

  • 轻量级解码器:Newton模型并不直接输出预测结果,而是利用轻量级应用特定的解码器,将编码的物理系统模式解码为具体的应用任务。例如,通过解码器,Newton可以预测未来的物理系统行为,或重构过去的物理现象。
  • 实时或历史数据预测:这些解码器能够处理实时传感器数据或离线的历史数据,进行精准的预测。例如,它可以预测未来电网的电力需求、工业设备的温度变化,或者基于现有数据重构物理事件。
零-shot 预测:

Newton 模型不仅能够预测已知系统的行为,还能够准确预测以前从未见过的物理系统,这种能力被称为零-shot 预测。

例如,在未经过专门训练的情况下,Newton 能够通过摆的实时传感器数据,准确预测其复杂的动态行为。模型还可以预测更复杂的现象,如电网的能耗模式和变压器油温的变化,这些问题甚至对人类来说也很难精确建模。

  • 零次预测能力:Newton的强大之处在于它能够进行“零次预测”,即模型可以在没有见过某一类特定物理数据的情况下,做出准确的预测。这意味着Newton可以基于从未见过的物理系统数据推断未来的行为。
  • 泛化能力强:因为Newton模型在多样化的物理数据上进行了预训练,它具备高度的泛化能力,能够预测复杂系统的行为,即便这些系统与模型在训练过程中所见的数据完全不同。
自监督学习与泛化能力
  • 自监督学习: Newton模型通过一种**自监督学习(self-supervised learning)**的方式训练,即模型可以从未标注的数据中学习和发现模式,而不依赖大量的人工标注。这种学习方式使得Newton能够更高效地从传感器数据中学习物理规律。
  • 广泛的泛化能力: 由于Newton是从多样化的传感器数据中学习的,它具备高度的泛化能力,不仅能够处理训练数据中的任务,还能够扩展到完全不同的物理系统中,预测那些它从未见过的现象。这为工业、能源、自动化和科学研究等领域的应用打开了新的大门。

实验与结果

经典物理实验中的表现
  • 机械振动实验:Newton模型接收到机械振动系统的实时传感器数据,例如弹簧-质量系统的振动数据。在没有明确教授物理原理的前提下,Newton通过观察这些数据,能够准确预测系统的未来振动行为。
  • 热力学实验:Newton还被用于简单的热力学实验中,例如预测温度变化。在仅基于传感器提供的温度数据情况下,Newton展示了其准确预测温度趋势的能力。这表明它不仅可以处理简单的、规律性较强的物理现象,还能应对具有更高复杂度的动态变化。
  • 实验结果:Newton能够基于传感器的实时数据,准确预测这些物理系统的行为。模型在面对首次接触的物理系统时,依然能够表现出准确的预测能力,展示了其出色的泛化能力。
复杂系统预测中的表现

研究人员将Newton模型应用于现实世界中的复杂物理系统。这些系统往往具有更高的复杂度,且它们的行为很难通过简单的物理定律描述。Newton在这些实验中展现了出色的零样本预测能力:

  • 城市电力需求预测:
    • Newton被用于预测土耳其城市的电力消耗。这类电力负载系统受到多种因素的影响,包括天气、社会活动和基础设施等。Newton通过实时传感器数据,能够准确预测未来几天的电力需求变化,表现出对复杂电力系统的适应性和预测能力。
  • 变压器油温预测:
    • 另一个实验中,Newton被用于预测电力变压器油温的变化。变压器油温受多种电力负载、环境温度以及电气系统运行状态的影响。尽管这个系统比机械振动或热力学实验要复杂得多,但Newton依然能够在没有专门为该任务训练的情况下,准确预测油温的未来趋势。
  • 实验结果:Newton能够在从未见过的物理系统上进行零次预测(zero-shot forecasting),并且在这些复杂系统中的预测表现非常准确,超出了预期。

    • 图1:预测土耳其的电力消耗。
    • 图2:预测电力变压器中的油温变化。
    • 在预测电力需求、变压器油温时,Newton不仅通过零样本预测取得了令人印象深刻的结果,甚至在某些情况下,优于专门为目标任务训练的模型。也就是说,Newton在面对没有见过的系统时,其预测性能超越了仅基于目标数据集训练的模型。
与传统模型的对比
  • 实验设计:Newton的预测性能与其他经过专门训练的模型进行了对比。
  • 实验结果:Newton模型的零次预测性能超过了那些针对单一物理系统专门训练的模型,特别是在没有针对性训练的情况下,Newton仍然表现出很强的预测能力。
  • 误差对比:实验通过**均方误差(Mean Square Error, MSE)**来衡量模型的预测误差,Newton的预测误差在多个测试场景中显著低于传统模型。

实验验证的结论:
  1. 泛化能力强:Newton在各种实验中的表现证明了其强大的泛化能力,能够适应多种复杂物理系统的预测任务,即使这些系统从未被模型遇到过。
  2. 高准确性:无论是简单的物理实验(如机械振动和热力学)还是复杂的现实应用(如电力需求预测、变压器油温预测),Newton都展示了高准确性,甚至在某些情况下,其预测性能超越了专门为目标任务训练的模型。
  3. 零样本预测领先:Newton模型的核心优势在于其零样本预测能力,这使得它可以应对从未见过的物理系统并做出准确预测。这一能力在很多现实应用中至关重要,尤其是在缺乏大量训练数据的领域,如工业监控和科学研究。

实际应用的潜力

Newton 模型的自学习和零-shot 预测能力为多个行业带来了巨大的应用潜力,尤其是在工业和科学领域。它不仅能够大幅减少 AI 模型开发和部�

Support authors and subscribe to content

This is premium stuff. Subscribe to read the entire article.

Login if you have purchased

加入会员

加入会员查看更多会员内容和教程。
超过1000+的会员内容,每天更新。
开通会员

Related Posts

Meta AI提出了一种新的语言模型架构“Large Concept Model (LCM)  让模型更像人类思考
XiaoHu.AI日报

Meta AI提出了一种新的语言模型架构“Large Concept Model (LCM) 让模型更像人类思考

2024年12月25日
476
阿里巴巴推出QVQ-72B 一个基于Qwen2-VL-72B的新型多模态推理模型
XiaoHu.AI日报

阿里巴巴推出QVQ-72B 一个基于Qwen2-VL-72B的新型多模态推理模型

2024年12月25日
331
Fireworks AI新功能 能够将图像或PDF等非文本内容转化为LLM可理解的结构化文本
AI 工具

Fireworks AI新功能 能够将图像或PDF等非文本内容转化为LLM可理解的结构化文本

2024年12月24日
444
Hume AI推出全能文本与语音引擎 OCTAVE 根据文本实时生成特定人格特质的声音
XiaoHu.AI日报

Hume AI推出全能文本与语音引擎 OCTAVE 根据文本实时生成特定人格特质的声音

2024年12月24日
276
Anthropic 公布了一种全新的 AI 越狱技术 可以轻松破解所有前沿模型
AI 论文

Anthropic 公布了一种全新的 AI 越狱技术 可以轻松破解所有前沿模型

2024年12月23日
607
INFP:基于音频驱动的双人对话中的互动头像生成  能自动区分谁在说话,谁在听
AI 项目

INFP:基于音频驱动的双人对话中的互动头像生成 能自动区分谁在说话,谁在听

2024年12月22日
423

Recommendeds

FRESCO:只需文字提示即可轻松将视频转换成各种风格

FRESCO:只需文字提示即可轻松将视频转换成各种风格

95 VIEWS
2024年3月21日
ChatGPT 改进数据分析功能 可以与数据表格进行实时交互

ChatGPT 改进数据分析功能 可以与数据表格进行实时交互

436 VIEWS
2024年5月17日
ElevenLabs 发布Turbo 2.5模型 速度提高了3倍 支持中文等32种语言

ElevenLabs 发布Turbo 2.5模型 速度提高了3倍 支持中文等32种语言

201 VIEWS
2024年7月20日
OpenAI 衍生公司人工智能模型,让机器人像人类一样学习任务

OpenAI 衍生公司人工智能模型,让机器人像人类一样学习任务

51 VIEWS
2024年3月19日

Prompt 学习地图 27 | 理论&实践 – Meta Prompts 用提示词设计提示词

300 VIEWS
2024年6月12日
Context Autopilot:全球首个上下文引擎驱动的 AI 办公助手

Context Autopilot:全球首个上下文引擎驱动的 AI 办公助手

365 VIEWS
2024年11月14日
MoneyPrinterTurbo:利用大语言模型 一键生成1分钟长的短视频

MoneyPrinterTurbo:利用大语言模型 一键生成1分钟长的短视频

295 VIEWS
2024年3月27日
Molmo 一个完全开源的多模态模型 支持2D指向交互 性能仅次于GPT-4o

Molmo 一个完全开源的多模态模型 支持2D指向交互 性能仅次于GPT-4o

340 VIEWS
2024年9月26日
ReSyncer:一个多功能统一模型 可以实现音视频口型同步、说话风格迁移和换脸

ReSyncer:一个多功能统一模型 可以实现音视频口型同步、说话风格迁移和换脸

787 VIEWS
2024年8月10日
InternVL:GPT-4V开源替代方案 最接近 GPT-4V 表现的可商用开源模型

InternVL:GPT-4V开源替代方案 最接近 GPT-4V 表现的可商用开源模型

489 VIEWS
2024年4月29日

Copyright (c) 2024 by Xiaohu.AI.

  • About
  • Contact

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

No Result
View All Result
  • Home
  • AI 工具
  • XiaoHu.AI 学院
    • AI 教程
    • AI 课程
  • XiaoHu.AI日报
  • 开源项目案例库
    • AI 论文
    • AI 资源
    • AI 项目
  • 加入会员
  • →社群
  • Login

© 2024 Xiaohu.AI

Are you sure want to unlock this post?
Unlock left : 0
Are you sure want to cancel subscription?
转到手机版