Может ли ИИ понять оптические иллюзии? Квантовая нейросеть делает первые шаги

Пост опубликован в блогах iXBT.com, его автор не имеет отношения к редакции iXBT.com

Мир оптических иллюзий — это удивительная площадка, где человеческий мозг сталкивается с парадоксальными образами, ставящими под сомнение привычные представления о реальности. Как ни странно, именно эти «обманки» зрения могут стать ключом к пониманию того, как работает наше сознание и как воссоздать его принципы в искусственном интеллекте (ИИ).

Сегодняшние системы ИИ, основанные на машинном зрении и нейронных сетях, успешно справляются с распознаванием и классификацией объектов. Однако перед ними встает непреодолимый барьер, когда речь идет о восприятии оптических иллюзий, таких как куб Неккера или ваза Рубина. В то время как человек без труда переключается между двумя возможными интерпретациями этих фигур, алгоритмы ИИ «спотыкаются», не в силах воспроизвести столь гибкий процесс восприятия.

ИИ и оптические иллюзии, иллюстрация
ИИ и оптические иллюзии, иллюстрация
Автор: ИИ Copilot Designer//DALL·E 3 Источник: www.bing.com
В чем же причина такой «слепоты» искусственного интеллекта?

Она кроется в фундаментальных различиях между искусственными и биологическими нейронами. Алгоритмы ИИ не учитывают психологические и нейрологические аспекты человеческого зрения. Более того, последние исследования указывают на то, что наше восприятие неоднозначных фигур может быть связано с квантовыми эффектами, такими как суперпозиция состояний.

a) Куб Неккера: При ответе на вопрос «Затененная грань куба находится спереди или сзади?» происходит случайное переключение между двумя стабильными перцептивными состояниями, соответствующими передней (|0⟩) и задней (|1⟩) граням куба. (b) Ваза Рубина: «Вы видите двух людей, смотрящих друг на друга (|0⟩), или вазу (|1⟩)?». (c) Согласно традиционной теории, переход от одного перцептивного состояния к другому является бинарным (пунктирная линия), т. е. от |0⟩ к |1⟩ и наоборот. Однако текущие исследования показывают, что человек может видеть суперпозицию состояний |0⟩ и |1⟩ (сплошная кривая).
a) Куб Неккера: При ответе на вопрос «Затененная грань куба находится спереди или сзади?» происходит случайное переключение между двумя стабильными перцептивными состояниями, соответствующими передней (|0⟩) и задней (|1⟩) граням куба. (b) Ваза Рубина: «Вы видите двух людей, смотрящих друг на друга (|0⟩), или вазу (|1⟩)?». (c) Согласно традиционной теории, переход от одного перцептивного состояния к другому является бинарным (пунктирная линия), т. е. от |0⟩ к |1⟩ и наоборот. Однако текущие исследования показывают, что человек может видеть суперпозицию состояний |0⟩ и |1⟩ (сплошная кривая).
Автор: Ivan S. Maksymov; APL Mach. Learn. 2, 036107 (2024); DOI: https://doi.org/10.1063/5.0225771 CC-BY 4.0 Источник: pubs.aip.org

Именно эти идеи легли в основу новой архитектуры глубокой нейронной сети (DNN), предложенной Иваном Максимовым из Института искусственного интеллекта и кибернетического будущего при Университете Чарльза Стерта. В своей работе, опубликованной в журнале APL Machine Learning, ученый предлагает использовать эффект квантового туннелирования (QT) в качестве активационной функции нейронов.

Что такое квантовое туннелирование и как оно может помочь ИИ «видеть» иллюзии?

QT — это квантово-механический феномен, при котором частица может «просачиваться» сквозь потенциальный барьер, даже если ее энергия недостаточна для его преодоления в рамках классической физики.

В QT-DNN эффект туннелирования используется для моделирования работы нейронов, что позволяет сети обрабатывать информацию не бинарно (0 или 1), а с учетом промежуточных, «суперпозиционных» состояний. Это делает работу сети более гибкой и приближенной к процессам, происходящим в человеческом мозге.

Результаты моделирования показали, что QT-DNN способна воспроизводить динамику восприятия оптических иллюзий, аналогичную той, что наблюдается у людей. Сеть не просто переключается между двумя возможными интерпретациями, но и демонстрирует периоды «неопределенности», когда вероятность восприятия каждого из состояний примерно одинакова.

Нейроморфный алгоритм, предполагающий обучение сети на различимых изображениях объектов и ее дальнейшую эксплуатацию, направленную на распознавание оптических иллюзий.
Нейроморфный алгоритм, предполагающий обучение сети на различимых изображениях объектов и ее дальнейшую эксплуатацию, направленную на распознавание оптических иллюзий.
Автор: Ivan S. Maksymov; APL Mach. Learn. 2, 036107 (2024); DOI: https://doi.org/10.1063/5.0225771 CC-BY 4.0 Источник: pubs.aip.org

Более того, сравнительный анализ показал, что QT-DNN превосходит по точности модели, использующие традиционные активационные функции, такие как ReLU и сигмоида. Это подтверждает гипотезу о том, что квантовые эффекты могут играть важную роль в процессах человеческого восприятия.

Работа Максимова открывает новые горизонты в области искусственного интеллекта и когнитивных наук. QT-DNN может стать основой для создания более совершенных систем машинного зрения, способных не только распознавать объекты, но и интерпретировать сложные визуальные образы, учитывая при этом психологические и нейрологические особенности человеческого восприятия.

Возможно, именно квантовый подход поможет нам создать ИИ, способный не просто видеть, но и понимать мир так же, как это делаем мы.

Дальнейшие исследования в этом направлении могут привести к созданию по-настоящему «сознательных» машин, способных не только решать сложные задачи, но и взаимодействовать с человеком на более глубоком, интуитивном уровне. И оптические иллюзии, некогда считавшиеся «обманками» зрения, могут стать важным инструментом в познании тайн человеческого сознания и его воссоздания в искусственном интеллекте.

Сейчас на главной

Новости

Публикации

Почти все живые черноногие хорьки происходят от семи животных — спустя десятилетия биологи вернули потерянные гены клонами из клеток 1988 года

В 1981 году считавшийся исчезнувшим черноногий хорёк неожиданно нашёлся снова. Небольшую популяцию обнаружили возле Мититси в Вайоминге, и сначала казалось, что вид получил второй шанс без помощи...

Японские поезда включали собачий лай на ходу. Оленей стали сбивать на треть реже

Зимней ночью на японской железной дороге можно было услышать собачий лай из приближающегося поезда. Запись звучала на отдельных участках маршрута, и каждый раз перед лаем раздавался ещё один...

Зачем млекопитающим молоко на самом деле: новая гипотеза учёных

Когда говорят о наследстве, я прежде всего думаю о генах. От родителей детёнышу достаются форма тела, окраска и особенности обмена веществ. Но существует и менее заметная передача: во время...

В лунном грунте вырастили картофель: почему листья пострадали, а клубни — нет

Программа NASA «Артемида» предусматривает создание постоянной обитаемой базы на Луне в 2030-х годах. Регулярная доставка продовольствия с Земли требует больших затрат и снижает надежность...

В 1976 году Sony увеличила кассету ради хорошего звука. Почему покупатели не оценили идею

В 1970-х аудиокассета уже была удобным и понятным предметом. Её можно было положить в карман, вставить в магнитофон и включить запись, не касаясь плёнки. На этом фоне идея выпустить кассету заметно...

✦ ИИ  Голод или хорошая погода: кости оленей и кроликов подсказали, как древние люди начали выращивать кукурузу

Археологи десятилетиями спорят, что толкнуло древних охотников к земледелию: засуха или хороший климат. Учёные изучили 180 костей животных в Мексике и нашли ответ.