Kunstig intelligens: Evolution kan gøre neurale netværk kreative

Vi kan oplære en kunstig intelligens til at genkende ting, og det kan bruges til at hjælpe computeren med at skabe helt nye objekter, viser forskningsprojekt, som It-Universitetet har deltaget i.

Kunstig intelligens er et begreb, der nok lover mere, end det nogensinde kan holde, men det betyder ikke, at de algoritmer, der hører ind under kunstig intelligens, ikke kan levere interessante resultater. Især når vi begynder at kombinere dem.

Et forskningsprojekt mellem It-Universitetet og University of Wyoming har undersøgt, om neurale netværk kan skabe nye objekter, hvis man kombinerer dem med evolutionære algoritmer.

»Vi ville se, om vi kunne bruge et Deep Neural Network til at oplære en Evolutionary Algorithm. Det neurale netværk kan skelne mellem ting, og den evolutionære algoritme kan skabe nye ting. Kunne vi bruge den feedback til at skabe nye objekter?« forklarer lektor Joel Lehman fra It-Universitetet til Version2.

Neurale netværk er gode til at genkende mønstre og altså eksempelvis afgøre, om et foto forestiller en hund eller ej.

Det bliver i vid udstrækning brugt til ansigtsgenkendelse og billedsøgninger med relativt høj præcision i forhold til den store mængde data, det er muligt for computeren at behandle.

Evolutionære algoritmer er en anden gren inden for kunstig intelligens, som inspireret af biologiens evolution handler om at tage et eksisterende objekt og mutere det til noget, der er en bedre version af originalen.

Neurale netværk kræver en stor mængde data, algoritmen kan lære ud fra. Den evolutionære algoritme har brug for en udvælgelsesproces for at kunne udvikle videre på de bedste mutationer. Tanken i forskningsprojektet var derfor at bruge et neuralt netværk, der var oplært i at genkende bestemte objekter, og så bruge det til at udvælge de bedste videre mutationer.

»Vi satte computeren til at være hundeavler. Når den evolutionære algoritme skabte nye kopier, så ville der være nogle af dem, der lignede lidt mere en hund, og vi kunne så tage den mest lovende,« forklarer Joel Lehman.

Det gik dog ikke helt uden problemer. De to sæt algoritmer kunne godt finde ud af at skabe meget geometriske figurer som eksempelvis en tennisbold, men løb ind i problemer med hundene.

»Vi fik nogle interessante misfostre. De prøvede at skabe en dalmatiner, men den kom til at ligne et bord med sorte og hvide prikker,« fortæller Joel Lehman.

Men der kom også positive overraskelser ud af projektet. Da algoritmerne skulle prøve at skabe en svamp havde det neurale netværk fotos af rigtige svampe, men slutresultatet var noget mere som i Tintin.

»Der var ingen tegneserieagtige svampe i billeddatabasen, så det var utroligt, at den endte med at skabe en svamp, der lignede noget fra en tegneserie,« siger Joel Lehman.

Det lyder måske som meget arbejde for at skabe tegneseriesvampe, men takket være det store arbejde med open source-algoritmer og datasæt til kunstig intelligens, så var opgaven overkommelig nok til at gøre forsøget.

Til det neurale netværk kunne forskerne nemlig benytte et eksisterende netværk, der var oplært ud fra en standard billeddatabase med flere millioner fotos, der er blevet tagget med beskrivelser af, hvad de forestiller.

Derfor var algoritmen allerede i stand til at genkende hunde og svampe og kunne altså få en serie af billeder skabt af den evolutionære algoritme og udpege de billeder, der mest lignede det objekt, algoritmen var på udkig efter.

En af de tekniske udfordringer var, at det neurale netværk kun kunne arbejde med todimensionelle billeder, mens den evolutionære algoritme skulle skabe 3D-objekter. Derfor skulle der genereres billeder af 3D-objekterne, som det neurale netværk kunne genkende.

Resultaterne af evolutionen var nye 3D-objekter, som til slut kunne 3D-printes. I princippet kan man altså sige, at de to sæt algoritmer i fællesskab var i stand til at tage det neurale netværks abstrakte koncept om en svamp og ud fra dét skabe et fysisk objekt, som ligner en svamp.

»Projektet var et proof-of-concept. Hvad sker der, når vi kobler de to typer algoritmer sammen? En af de ting, man måske kan bruge det til, er dér, hvor neurale netværk ikke er så gode,« siger Joel Lehman.

Neurale netværk arbejder som nævnt med 2D, men det kan nogle gange være nyttigt at arbejde med et objekt i 3D, og der vil koblingen mellem de to måske kunne hjælpe.

Det kunne også være værd at forsøge, om man kunne bruge et neuralt netværk, der var oplært i talegenkendelse, til at oplære en evolutionær algoritme i talesyntese.

På kortere sigt kan det konkrete forskningsprojekt bruges eksempelvis af kunstnere, der vil bruge algoritmerne til at finde frem til et objekts 'DNA'. Man kunne også udvælge interessante mutationer, som man kunne lade algoritmerne udvikle videre på, og derfra få inspiration til nye variationer over velkendte objekter som for eksempel møbler. Og selvom man ikke mestrer skulptørhåndværket, så vil man kunne skabe et 3D-objekt.

»Man vil også kunne bruge det til at demonstrere i undervisning, hvordan biologisk evolution virker,« påpeger Joel Lehman.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere