מעבדות המחקר של אינטל חושפות 31 פרוייקטי מחקר של חדשנות בינה מלאכותית ובהם שלושה מחקרים מישראל
Intel Labs, קבוצת מעבדות המחקר של אינטל, חשפה בימים האחרונים איך צפוי עולם השבבים, האלקטרוניקה וה-AI להיראות בשנים הבאות. במהלך כנס NeurIPS 2023 – האירוע העולמי למפתחים, חוקרים ואנשי מקצוע אקדמיים המתמקדים בטכנולוגיות AI וראייה ממוחשבת.
Intel Labsהציגה בכנס 31 מאמרים ומחקרים שעוסקים במודלים, שיטות וכלים חדשים עבור מקרי שימוש בבינה מלאכותית שמיועדת ליישום במודלי אקלים, גילוי תרופות ומדעי החומרים. שני מחקרים בולטים מתוכם הם של חוקרים ישראליים במעבדות אינטל.
מחקר בו לקח חלק החוקר הישראלי יניב גורביץ בשיתוף עם קבוצת מחקר ב-MILA מציג את ClimateSet, מערך נתונים וכלים חדשניים למחקר מדעי האקלים. החוקרים אגרו אוסף עצום של נתוני אקלים. במונחים פשוטים: ניתן לתאר זאת כאילו אתה יכול לחזות את עתיד האקלים של כדור הארץ בתגובה לתרחיש עתידי של פליטות גזי חממה ואירוסולים. ClimateSet משלב נתונים מ-36 מודלים שונים של אקלים מקבוצות מדעני אקלים שונות ברחבי העולם לתוך מערך נתונים מסיבי אחד.
החידוש במחקר זה נעוץ בכך שבמקום להשתמש בנתונים ממודל אקלים אחד בלבד, כפי שנעשה בדרך כלל, ClimateSet מאגד מגוון רחב של מודלים שמייצגים תחזיות שונות, מה שמאפשר לקבל תמונה מלאה, מגוונת ומדויקת יותר של תרחישי האקלים העתידיים, תוך התייחסות לרמת הוודאות בחיזוי. מדענים משתמשים ב-ClimateSet לחקור מגוון תרחישים עתידיים, החל מהמקרה הטוב ביותר ועד למקרה הגרוע ביותר.
המחקר מתאר גם שימוש ב”סופר-אמולטורים” ובמודלים מתקדמים של למידת מכונה (ML), אשר יאפשרו בעתיד ללמוד על האקלים של כדור הארץ מכמות עצומה של נתונים, שמגיעים ממודלי אקלים שונים.
“סופר-אמולטור” הוא תוכנה חזקה שמשתמשת ב-ClimateSet ליצירת תחזיות מהירות ומדויקות לגבי האקלים, והיא מהירה יותר בסדרי גודל משיטות מסורתיות, מה שחשוב מאוד לקבלת החלטות זמניות ומדויקות. לצורך ההשוואה, כיום על מנת לבצע סימולציה של מודל אקלים לעשרות השנים הבאות (עד לשנת 2100) עבור תרחיש עתידי בודד של פליטות גזי חממה וארוסולים, נדרשים חודשים רבים (כמעט שנה) של ריצה על גבי מחשב-על, דבר שהופך אותו ללא מעשי ולא נגיש. האצת החיזויים, תהפוך אותם לשימושיים ונגישים לקהילות המחקר של לימוד המכונה ומדעי האקלים.
“חיזוי שינוי האקלים לעשרות השנים הבאות הוא צורך בסיסי עבור מקבלי החלטות ע”מ לאמץ מדיניות אקלימית נכונה. אינטל ו- MILA מבצעים מחקר משותף בעל חשיבות רבה לחיזוי השינויים האקלימים, שכיום מבוססים על סימולציות של תהליכים פיזיקליים מורכבים של מודלי אקלים, ומכאן שהם דורשים זמן ריצה רב שאינו מעשי לקבוצות המחקר. באמצעות פיתוח שיטות לימוד מכונה קוזאליות (סיבתיות), ואמולטורים מבוססי למידה עמוקה אנו מכוונים להאיץ את חיזוי האקלים בסדרי גודל, ולהפכו לנגיש ושימושי. בנוסף, המחקר יאפשר חיזוי אקלים בתגובה לתרחישי פליטות גזי חממה וארוסולים, אשר עד כה לא נלקחו בחשבון. פרסום הדאטה והקוד הפתוח, ClimateSet, מאגר מודלי האקלים הגדול ביותר, הוא צעד חשוב לקראת חיזוי אקלים מהיר ושניתן יהיה להסבירו, ובנוסף יועיל לקהילות לימוד המכונה ומדעי האקלים בהתמודדות עם משימות שינוי אקלים משמעותיות נוספות”, מציין גורביץ.
מחקר שנכתב על ידי החוקרות הישראליות אסטל אפללו וגבריאלה בן מלך, מיועד עבור מציאות מדומה תלת-ממדית (VR) ומטרתו לפשט יצירת תמונה פנורמית בתלת-ממד עבור יישומי בינה מלאכותית. החוקרים פיתחו מודל שנותן מענה לאתגר של יצירת תמונות RGB פנורמיות מציאותיות (אדום, ירוק, כחול) ומפות העומק המתאימות להן ישירות מהנחיות טקסטואליות. החידוש טמון ביכולתו ליצור יחד תצוגות פנורמיות מפורטות ומדויקות בנוסף למפות העומק שהן חיוניות לחוויות VR סוחפות.
דוגמה מעשית: אפליקציית VR שבה אתם יכולים ליצור סביבה מפרי דמיונכם ע״י הנחיות טקסט, ובין אם מדובר בסביבת טבע מרגיעה או סביבה ביתית של חדר השינה שאתם חולמים עליו. כל שעליכם לעשות הוא להזין הודעת טקסט כמו “view of bedroom 360” והמודל יפיק תמונה פנורמית מציאותית של חדר השינה, עם תפיסת עומק, המאפשרת חווית VR סוחפת יותר, ומאפשרת לכן לשוטט בחדר השינה שיצרתם. מוזמנים לנסות בעצמכם.
מודל נוסף שהחוקרים פיתחו מתמחה בשיפור הרזולוציה של תמונות RGB וגם של מפות עומק. נאמר שיש לכם תמונות ברזולוציה נמוכה של נוף טבעי עבור משחק VR. המודל יכול לשדרג את התמונות הללו לרזולוציה גבוהה, מה שהופך את סביבת המשחק למציאותית יותר ומושכת מבחינה ויזואלית.
החוקרים מציינים כי החידושים האלה דוחפים את הגבולות של יצירת תוכן VR ומאפשרים ליצור סביבות תלת מימד איכותיות ומציאותיות מהודעות טקסט פשוטות או תמונות ברזולוציה נמוכה. לפי אינטל, המודלים לא רק משפרים את חוויית המשתמש ב-VR אלא גם מפשטים ומאיצים את תהליך יצירת התוכן, מה שעשוי להיות מועיל במיוחד עבור מפתחי VR ויוצרי תוכן במגזרי הבידור, החינוך וההדרכה.
גילוי סיבות במודלי שפה גדולים
מחקר נוסף שנכתב על ידי החוקרים הישראלים רענן יחזקאל רוהקר ויניב גורביץ, מציג קשר בין רכיב מרכזי במודלי שפה גדולים (large language models) ובין המבנה הסיבתי החבוי בנתונים. החוקרים מתארים כיצד ניתן להשתמש בקשר זה כדי לגלות את המבנה הסיבתי החבוי, וכך לגלות קשרי סיבה ותוצאה ישירים ועקיפים בין המשתנים אותם מעבדים המודלים. על ידי כך מדגימים החוקרים כיצד המבנה הסיבתי מסביר תוצאות של מודלי שפה גדולים, דבר שיאפשר הבנה טובה יותר של דרך פעולתם ושיפורם.
