HyperAIHyperAI
منذ 2 أشهر

شبكات الرسم كمحركات فيزيائية قابلة للتعلم للاستدلال والتحكم

Alvaro Sanchez-Gonzalez; Nicolas Heess; Jost Tobias Springenberg; Josh Merel; Martin Riedmiller; Raia Hadsell; Peter Battaglia
شبكات الرسم كمحركات فيزيائية قابلة للتعلم للاستدلال والتحكم
الملخص

فهم التفاعلات مع المشاهد المادية اليومية يتطلب معرفة غنية ببنية العالم، والتي يمكن تمثيلها ضمنياً في دالة قيمة أو سياسة، أو صراحة في نموذج انتقالي. في هذا السياق، نقدم فئة جديدة من النماذج القابلة للتعلم--التي تعتمد على شبكات الرسم البياني--و التي تطبق تحيز استقرائي لتمثيلات مركزية الأشياء والعلاقات لأنظمة ديناميكية معقدة. تظهر نتائجنا أن نهجنا كنموذج مستقبلي يدعم التوقعات الدقيقة من البيانات الحقيقية والمحاكاة، بالإضافة إلى قدرة تعميم مدهشة وكفاءة عالية عبر ثماني أنظمة فيزيائية مختلفة قمنا بتغييرها بارامتريًا وبنائيًا. كما اكتشفنا أن نموذج الاستدلال الخاص بنا يمكنه أداء تحديد النظام. كما أن نماذجنا قابلة للتفاضل، وتدعم التخطيط عبر الإنترنت من خلال الأمثلة الصغرى المستندة إلى التدرج، وكذلك الأمثلة الصغرى للسياسة خارج الإنترنت. يوفر إطارنا فرصًا جديدة للاستفادة والاستغلال من المعرفة الغنية عن العالم، ويخطو خطوة مهمة نحو بناء آلات ذات تمثيلات أكثر إنسانية للعالم.

شبكات الرسم كمحركات فيزيائية قابلة للتعلم للاستدلال والتحكم | أحدث الأوراق البحثية | HyperAI