|
Wissenschaftler entwickeln neue maschinelle Lernmethode, die Roboter sicherer machen kann –
ermöglicht einfachere und intuitivere Modelle von physikalischen Situationen
Stuttgart/Tübingen/Klosterneuburg (ist) - Um den sicheren Betrieb eines Roboters zu gewährleisten
ist es entscheidend zu wissen, wie der Roboter unter verschiedenen Bedingungen reagiert. Aber woher soll man wissen,
was einen Roboter zerstören würde, ohne ihn tatsächlich zu beschädigen? Eine neue Methode,
die Wissenschaftler des Institute of Science and Technology Austria (IST Austria) und des Max-Planck-Instituts
für Intelligente Systeme entwickelten, ist die erste Methode für maschinelles Lernen, welche Beobachtungen,
die unter sicheren Bedingungen getroffen wurden, nutzt, um genaue Vorhersagen für alle möglichen Bedingungen
zu treffen, die von der gleichen physikalischen Dynamik bestimmt werden. Die Methode ist speziell für reale
Situationen entwickelt und bietet einfache, interpretierbare Beschreibungen der zugrundeliegenden Physik. Die Forscher
stellen ihre Ergebnisse am 13. Juli auf der diesjährigen renommierten International Conference for Machine
Learning (ICML) vor.
In der Vergangenheit konnte maschinelles Lernen Daten nur interpolieren – also Vorhersagen über eine Situation
treffen, die „zwischen“ anderen, bekannten Situationen liegt. Maschinelles Lernen konnte nicht extrapolieren –
das heißt es konnte keine Vorhersagen treffen über Situationen die außerhalb der bekannten Situationen
liegen, da es nur lernt, bekannte Daten lokal so genau wie möglich zu modellieren. Das Sammeln von genügend
Daten für effektive Interpolation ist außerdem zeit- und ressourcenintensiv, und erfordert Daten aus
extremen oder gefährlichen Situationen. Georg Martius, ehemaliger Postdoc des IST Austria und ISTFELLOW und
seit 2017 Gruppenleiter am MPI für Intelligente Systeme in Tübingen, Subham S. Sahoo, ein PhD Student
am MPI für Intelligente Systeme, und Christoph Lampert, Professor am IST Austria, entwickelten nun eine neue
maschinelle Lernmethode, die diese Probleme anspricht. Es ist die erste maschinelle Lernmethode, die präzise
für unbekannte Situationen extrapoliert.
Das Besondere der neuen Methode ist, dass sie versucht, die wahre Dynamik der Situation herauszufinden: Basierend
auf den Daten liefert sie Gleichungen, die die zugrundeliegende Physik beschreiben. „Wenn man diese Gleichungen
kennt“, sagt Georg Martius, „dann kann man sagen, was in allen Situationen passieren wird, auch, wenn man sie nicht
gesehen hat.“ Das ist, was es der Methode ermöglicht, zuverlässig zu extrapolieren, und sie so einzigartig
unter maschinellen Lernmethoden macht.
Die Methode des Teams ist in mehrfacher Hinsicht einzigartig. Erstens waren die Lösungen, die maschinelles
Lernen zuvor erstellte, viel zu komplex, als dass ein Mensch sie verstehen könnte. Die Gleichungen, die aus
der neuen Methode resultieren, sind viel einfacher: „Die Gleichungen unserer Methode sind etwas, was man in einem
Lehrbuch sehen würde – einfach und intuitiv“, sagt Christoph Lampert. Letzteres ist ein weiterer Vorteil:
Andere maschinelle Lernmethoden geben keinen Einblick in den Zusammenhang zwischen Eingaben und Ergebnissen – und
damit auch keine Einsicht darüber, ob das Modell überhaupt plausibel ist. „In allen anderen Forschungsbereichen
erwarten wir Modelle, die physikalisch Sinn machen, und die uns sagen, warum“, ergänzt Lampert. „Das sollten
wir auch vom maschinellen Lernen erwarten und das ist, was unsere Methode bietet.“ Deshalb basierte das Team seine
Lernmethode auf einer einfacheren Architektur als übliche Methoden, um die Interpretierbarkeit zu gewährleisten
und sie für physikalische Situationen zu optimieren. In der Praxis bedeutet das, dass weniger Daten benötigt
werden, um die gleichen oder sogar bessere Ergebnisse zu erzielen.
Und es ist nicht alles Theorie: „In meiner Gruppe arbeiten wir an der Entwicklung eines Roboters, der diese Art
des Lernens nutzt. In Zukunft würde der Roboter mit verschiedenen Bewegungen experimentieren und dann in der
Lage sein, die Gleichungen herauszufinden, die seinen Körper und seine Bewegung beschreiben, so dass er gefährliche
Aktionen oder Situationen vermeiden kann“, fügt Martius hinzu. Während hauptsächlich an der Roboteranwendung
geforscht wird, kann die Methode mit jeder Art von Daten, von biologischen Systemen bis hin zu Röntgenübergangsenergien,
eingesetzt werden und auch in größere maschinelle Lernnetzwerke integriert werden.
Link zur Konferenz: https://icml.cc/
Über das IST Austria
Das Institute of Science and Technology (IST Austria) in Klosterneuburg ist ein Forschungsinstitut mit eigenem
Promotionsrecht. Das 2009 eröffnete Institut widmet sich der Grundlagenforschung in den Naturwissenschaften,
Mathematik und Computerwissenschaften. Das Institut beschäftigt ProfessorInnen nach einem Tenure-Track-Modell
und Post-DoktorandInnen sowie PhD StudentInnen in einer internationalen Graduate School. Neben dem Bekenntnis zum
Prinzip der Grundlagenforschung, die rein durch wissenschaftliche Neugier getrieben wird, hält das Institut
die Rechte an allen resultierenden Entdeckungen und fördert deren Verwertung. Der erste Präsident ist
Thomas Henzinger, ein renommierter Computerwissenschaftler und vormals Professor an der University of California
in Berkeley, USA, und der EPFL in Lausanne, Schweiz.
Über das MPI-IS
Das Max-Planck-Institut für Intelligente Systeme hat sich zum Ziel gesetzt, die Prinzipien von Wahrnehmen,
Handeln und Lernen in autonomen Systemen zu verstehen. Aus diesem Verständnis heraus wollen die Wissenschaftler
künstliche intelligente Systeme entwickeln. An seinen zwei Standorten in Stuttgart und Tübingen verbindet
das Institut Spitzenforschung in Theorie, Software und Hardware.
Der Standort in Stuttgart beherbergt führende Expertise in den Bereichen Mikro- und Nano-Robotik, Haptik,
Mensch-Maschine-Interaktion, bio-hybride Systeme sowie Medizinrobotik. Am Standort Tübingen wird mittels Forschung
in den Bereichen Maschinelles Lernen, Maschinelles Sehen und Robotik untersucht, wie intelligente Systeme Informationen
verarbeiten, um wahrnehmen, handeln und lernen zu können.
Originalpublikation: S. S. Sahoo,
C. H. Lampert, and G. Martius. Learning equations for extrapolation and control. In Proc. 35th International Conference
on Machine Learning, ICML 2018, Stockholm, Sweden, 2018. PMLR, 2018. to appear
Arxiv Preprint: https://arxiv.org/abs/1806.07259
|
