Maschinelles Lernen: Neue Methode erlaubt genaue Extrapolation

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print

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? 

ist_roboter

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 nutzt, die unter sicheren Bedingungen getroffen wurden, 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 morgen 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 es 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.

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

Link zur Konferenz: https://icml.cc/

Bild: Ein Roboter muss seinen Körper und die Umwelt kennenlernen. Er macht verschiedene Testbewegungen und verwendet den Algorithmus. Dann kann er vorhersagen, was bei größeren Bewegungen und höheren Geschwindigkeiten passiert. Credit: IST Austria/Birgit Rieger

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken
Werbung

Redaktionsbrief

Tragen Sie sich zu unserem Redaktions-Newsletter ein, um auf dem Laufenden zu bleiben.

Aktuelle Ausgabe

Topthema: Maschinenbau im Wandel

LENZE BIETET UNTERSTÜTZUNG BEI DER DIGITALEN TRANSFORMATION

Mehr erfahren

Entdecken Sie weitere Magazine

Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.