Μπορεί η τεχνητή νοημοσύνη να «δει» μέσα από το χάος και να φτάσει στα φυσικά όρια της ακρίβειας; Ερευνητές από τρία κορυφαία πανεπιστήμια – το TU Wien στη Βιέννη, το University of Glasgow και το University of Grenoble – δίνουν καταφατική απάντηση, αποδεικνύοντας ότι ένας συνδυασμός αλγορίθμων τεχνητής νοημοσύνης και θεμελιωδών φυσικών νόμων μπορεί να οδηγήσει σε μια νέα εποχή υπερ-ακριβούς μέτρησης, ακόμα και σε συνθήκες εξαιρετικής αβεβαιότητας.
Το ερώτημα που έθεσαν οι ερευνητές είναι τόσο απλό όσο και βαθιά περίπλοκο: πόσο ακριβής μπορεί να είναι μια μέτρηση όταν το μόνο που διαθέτουμε είναι μια παραμορφωμένη, θολή εικόνα του αντικειμένου που εξετάζουμε; Αυτό αφορά κυρίως την οπτική απεικόνιση σε τομείς όπως η βιοφυσική και η ιατρική, όπου το φως διασκορπίζεται από βιολογικούς ιστούς, χάνοντας φαινομενικά πολύτιμες πληροφορίες για τις εσωτερικές δομές.
Για να απαντήσουν σε αυτό το θεμελιώδες ερώτημα, οι επιστήμονες κατέφυγαν σε μια θεωρητική προσέγγιση που βασίζεται στην έννοια της “πληροφορίας Fisher“. Πρόκειται για ένα μαθηματικό μέτρο που εκφράζει το πόση πληροφορία περιέχει ένα οπτικό σήμα σχετικά με ένα άγνωστο φυσικό μέγεθος, όπως είναι, για παράδειγμα, η ακριβής θέση ενός αντικειμένου. Εάν η πληροφορία Fisher είναι χαμηλή, τότε η μέτρηση δεν μπορεί να είναι ακριβής, όσο εξελιγμένοι κι αν είναι οι αλγόριθμοι που αναλύουν τα δεδομένα.
Με βάση αυτή την αρχή, η ομάδα του TU Wien υπολόγισε ποιο είναι το ανώτατο θεωρητικό όριο ακρίβειας σε διάφορα πειραματικά σενάρια. Παράλληλα, συνεργάτες από το University of Grenoble και το University of Glasgow σχεδίασαν και υλοποίησαν ένα απαιτητικό πείραμα: ένα μικρό σφαιρικό αντικείμενο τοποθετήθηκε πίσω από μια θολή επιφάνεια, και ο φωτισμός του με laser δημιουργούσε πολύπλοκα μοτίβα φωτός στην οθόνη καταγραφής. Η πρόκληση ήταν να εντοπιστεί με ακρίβεια η θέση του αντικειμένου βασιζόμενοι μόνο σε αυτές τις ακανόνιστες εικόνες.
Αν και για το ανθρώπινο μάτι τα μοτίβα αυτά μοιάζουν τυχαία, μια εκπαιδευμένη τεχνητή νοημοσύνη αποδείχθηκε ικανή να εντοπίζει με εντυπωσιακή ακρίβεια τη θέση του αντικειμένου. Χιλιάδες παραδείγματα εικόνων με γνωστές θέσεις αντικειμένων χρησιμοποιήθηκαν για την εκπαίδευση του συστήματος, ώστε το δίκτυο να «μάθει» τη σχέση μεταξύ μοτίβου και θέσης. Όταν η εκπαίδευση ολοκληρώθηκε, το σύστημα μπορούσε να εντοπίζει άγνωστες πλέον θέσεις με αξιοσημείωτη επιτυχία.
Το πιο εντυπωσιακό είναι ότι το επίπεδο ακρίβειας που πέτυχαν οι αλγόριθμοι πλησίαζε σχεδόν το θεωρητικά μέγιστο που επιτρέπεται από τους φυσικούς νόμους, όπως αυτό προσδιορίστηκε μέσω της πληροφορίας Fisher. Όπως δήλωσε ο Stefan Rotter από το TU Wien, «το γεγονός ότι το σύστημά μας αγγίζει αυτό το όριο σημαίνει ότι δεν είναι μόνο αποτελεσματικό, αλλά και σχεδόν βέλτιστο από άποψη φυσικής».
Η ανακάλυψη αυτή ανοίγει τον δρόμο για εφαρμογές σε ένα ευρύ φάσμα επιστημονικών και τεχνολογικών πεδίων. Από την ιατρική διάγνωση και την απεικόνιση ιστών, μέχρι την έρευνα υλικών και την ανάπτυξη τεχνολογιών κβαντικής φυσικής, οι δυνατότητες είναι σημαντικές. Οι ερευνητές σχεδιάζουν να συνεργαστούν με ειδικούς στην εφαρμοσμένη φυσική και την ιατρική για να διερευνήσουν πώς οι μέθοδοι αυτές μπορούν να ενσωματωθούν σε υπαρκτά συστήματα απεικόνισης.
[via]
