Conditional Variational Diffusion Model (CVDM) nutzt KI zur Lösung „inverser Probleme“

Diese Woche markiert einen wichtigen Meilenstein in der KI-Entwicklung: Ein Forscherteam stellte ein neues Diffusionsmodell vor, das die Kosten für die KI-Programmierung senken, die Leistung verbessern und weitere Innovationen ermöglichen soll. Erfahren Sie, wie Ingenieure KI zur Entwicklung des Conditional Variational Diffusion Model (CVDM) nutzten und was es für die Zukunft bedeutet.

Das Conditional Variational Diffusion Model ist ein Open-Source-Modell Protokoll wird im Mittelpunkt der kommenden International Conference on Learning Representations (ICLR) stehen. Hier werden Entwickler Fragen aus dem Publikum beantworten, wie dieser Programmierstatus Deep-Learning-Systemen dabei hilft, Leistung, Skalierbarkeit und Nachhaltigkeit zu verbessern.

Forscher schaffen CVDM-Durchbruch

Die Forscher hinter der Entwicklung und Erprobung des CVDM kommen vom Center for Advanced Systems Understanding (CASUS) am Helmholtz-Zentrum Dresden-Rossendorf. Sie arbeiteten eng mit Forschern des Imperial College London und des University College London zusammen, um das Konzept zu verwirklichen. Hier erfahren Sie, warum ihre Bemühungen die Welt verändern könnten.

Quelle – LinkedIn

Das Forschungsteam glaubt, dass ihre Entwicklung dazu beitragen wird, ein neues Zeitalter der KI-Programmierbarkeit einzuläuten. Gabriel della Maggiora, Doktorand bei CASUS und Hauptautor des ICLR-Papiers, sprach über den neuen Programmieransatz und erläuterte, wie diese Systeme es Ihnen ermöglichen, „mehr sehen, als man auf den ersten Blick sieht"

Dr. Artur Yakimovich, korrespondierender Autor des ICLR-Papiers, kommentierte auch die Effizienz der aktuellen Diffusionstrainingsmodelle und wie das Upgrade dazu beitragen wird, diese Probleme anzugehen. Er sprach auch darüber, wie unproduktive Läufe die Programmierung von Diffusionsmodellen teuer machen und wie CVDM zur Lösung dieser Probleme beiträgt.

Was sind inverse Probleme?

Um die Bedeutung des CVDM vollständig zu verstehen, ist es wichtig zu verstehen, was inverse Probleme sind, welche Rolle sie in der KI spielen und wie sie dazu beitragen, die unsichtbaren Geheimnisse der Wissenschaft zu lüften. Diese mathematischen Gleichungen rekonstruieren Beobachtungen, um die Grundursachen zu ermitteln. Durch die Berechnung der sichtbaren Kausalfaktoren kann man unbekannte und unsichtbare Variablen ermitteln. Daher haben viele der größten Entdeckungen aller Zeiten diese Methode erfolgreich eingesetzt.

Beispiele für inverse Problemlösung

Inverse Probleme klingen vielleicht nach einer ungewöhnlichen Lösung, sind aber äußerst effektiv bei der Bestimmung unsichtbarer Faktoren. Ein Beispiel: Ein Astronom nutzt ein Gravitationsfeld, um die Masse eines Objekts zu bestimmen, das zu weit entfernt ist, um es zu messen. Der Forscher könnte das Gravitationsfeld mit anderen vergleichen, um die wahre Masse des Objekts zu ermitteln.

Farbkonvertierungen

Ein anderes Beispiel, das uns viel näher kommt, wäre die Verwendung der inversen Problemlösung zur Kolorierung von Schwarzweißvideos. Kolorierte historische Videos sind heutzutage beliebt, weil sie einen klareren Einblick in die Vergangenheit geben. Diese Färbeverfahren verwenden inverse Problemlösungslösungen.

Sie beginnen damit, anhand zuvor überprüfter und konvertierter Beispiele zu bestimmen, welcher Farbton auf dem Schwarzweißbild in welche Farben übersetzt werden soll. Von da an haben diese Systeme letztendlich einige Auswahlmöglichkeiten. Die Auswahl liegt daran, dass einige Farben bei der Konvertierung in Schwarz und Weiß den gleichen Farbton haben.

Das System ermittelt dann, welche Farbe für die jeweilige Szene am besten geeignet ist. Beispielsweise können Blau und Rot bei der Konvertierung gleich aussehen. Ein Wiederherstellungssystem würde jedoch feststellen, dass Wasser blau und Feuer rot sein sollte. Daher kann es diese Referenzen nutzen, um die besten Optionen zu ermitteln.

Optik

Der gleiche Ansatz kann auf Optiken wie Teleskope oder Mikroskope angewendet werden. Forscher können bestimmte erwartete Parameter mithilfe mathematischer Gleichungen vorprogrammieren. Beispielsweise könnte ein Hersteller seine Foto-KI so einrichten, dass die besten Einstellungen basierend auf Ihrem Kontrast zum Hintergrund ermittelt werden.

Die Systeme könnten auf eine Vielzahl von Premium-Fotos verweisen und sehen, wie der Kontrast eingestellt wird. Von dort aus kann es anhand dieser Bilder bestimmen, wie das dargestellte Bild am besten bereinigt werden kann.

Radarsysteme

Radarsysteme sind ein Paradebeispiel für inverse Problemlösung. Radartürme senden Wellen in die Luft. Diese Wellen werden zu den Empfängern zurückgeworfen, wenn sie auf einen Gegenstand treffen. Die Radarsignatur und der Zeitpunkt der Radarwellenbrechung werden verwendet, um den Typ des Fahrzeugs, seinen Kurs und andere wichtige Daten zu bestimmen.

Inverse Problemlösungsprobleme

Inverse Problemlösung ist nur ein Werkzeug, mit dem Forscher unentdeckte Geheimnisse lüften. Sie ist zwar sehr effektiv, aber nicht perfekt. Sie hat auch einige Nachteile. Beispielsweise kann die inverse Problemlösung das Lösen komplexer und oft unvollständiger mathematischer Gleichungen erfordern.

Einige der limitierenden Faktoren dieses Ansatzes können fehlende Daten, verwirrende Ergebnisse und zu viel zufälliges Rauschen sein. Diese Vorkommnisse erhöhen den Arbeitsaufwand und lassen die Ermittlung der besten Lösung verwirrend erscheinen. Glücklicherweise verändern die KI-Fortschritte den Sektor weiterhin und verbessern die Effizienz.

Betreten Sie die generative künstliche Intelligenz

Generative KI-Systeme demonstrieren die Leistungsfähigkeit dieser Technologie. Plattformen wie ChatGPT oder Stable Diffusion bieten Benutzern direkten Zugriff auf fortschrittliche generative KI-Systeme. Diese Protokolle sollen auf die zugrunde liegende Datenverteilung verweisen, um die idealen Lösungen zu ermitteln. Generative KI kann mit vielen verschiedenen Methoden programmiert werden, aber eine der leistungsfähigsten ist eine Methode namens Diffusion.

Was sind Diffusionsmodelle?

Diffusionsmodellierte KI geht die Programmierphase etwas anders an als andere Methoden. Diese Art der generativen KI nimmt einen Datensatz und wendet darauf Gaußsches Rauschen an, bis er zufällig wird. Anschließend scannt das System den Datensatz, um Ähnlichkeiten zu finden, z. B. welche Pixelanordnungen in den Trainingsbildern häufig und ungewöhnlich sind.

Diese Modelle beginnen dann, aus dem Rauschen ein Bild zu rekonstruieren, indem sie Daten finden, die mit dem Datensatz übereinstimmen, aber nicht identisch sind. Jedes Datenelement wird kombiniert, um einen Datensatz zu erstellen, der den Bibliotheken entspricht. Dies ist die Art der Diffusion, die in fortschrittlichen Bildgeneratoren wie DALL-E 2 zu finden ist.

Große Nachteile der Verbreitung

Der größte Nachteil diffusionsmodellierter KI ist die Verschwendung. Wenn Sie Lärm erzeugen müssen, wird es viele Lösungen geben, die nicht verwendbar, falsch oder sinnlos sind. Dieser verschwendete Aufwand kann sich summieren, da bei jedem Schritt Rechenleistung verbraucht wird. Darüber hinaus verlängern sie den Zeitaufwand für die Programmdiffusionsmodellierung der KI.

Lärm

Ein weiteres großes Problem bei diesen Systemen ist die zusätzliche Geräuschentwicklung. Das Hinzufügen von Rauschen zu Systemen erfordert eine Menge mathematischer Fähigkeiten. Wenn Sie zu viel oder zu wenig hinzufügen, kann dies die Ergebnisse beeinträchtigen. Darüber hinaus ist das Timing ein Faktor. Auch das Hinzufügen von Rauschen zum falschen Zeitpunkt führt zu Ergebnisverfälschungen.

Diese Anforderungen haben es sehr kostspielig gemacht, Diffusionsmodelle von Grund auf zu erstellen und zu verbessern. Glücklicherweise verbessert das CVDM-Modell die Effizienz, indem es einen Großteil des beim Programmieren verlorenen Aufwands eliminiert. Diese Verbesserungen haben viele in der KI-Branche dazu veranlasst, den Versuch-und-Irrtum-Ansatz aufzugeben und sich für etwas Effizienteres zu entscheiden.

Bedingtes Variationsdiffusionsmodell (CVDM)

Das CVDM zielt darauf ab, die Programmierkosten zu senken, indem der Rechenaufwand für Diffusionsmodelle gesenkt wird. Das Open-Source-Protokoll wurde bereits getestet und zeigte im Vergleich zu herkömmlichen Modellierungsstrategien positive Ergebnisse. CVDM bietet mehr Flexibilität und führt zu ähnlichen, wenn nicht sogar besseren Ergebnissen für Benutzer.

CVDM-Trainingsphase

Ein Vorteil des CVDM besteht darin, dass es die Schulungskosten erheblich senkt. Die Forscher lösten diese Aufgabe, indem sie die KI in die Lage versetzten, die besten Trainingsverfahren zu ermitteln. Dieser Ansatz senkte die Kosten und den Arbeitsaufwand für die Implementierung dieser Systeme. Es eliminierte außerdem jegliches menschliches Versagen und sorgte für die richtige Geräuschinfusion.

CVDM-Testphase

Tests auf dem CVDM lieferten einige interessante Ergebnisse. Die Forscher beschlossen, das Modell auf mikroskopische Bilder anzuwenden. Sie wollten vor allem sehen, wie die KI zur Lösung des Beugungsproblems beitragen könnte. Beugung ist ein Begriff, der sich auf die Grenzen einer Optik bezieht. Als ähnliches Beispiel können Sie sich vorstellen, dass Ihre Kamera vom optischen auf den digitalen Zoom umschaltet, um eine bessere Qualität zu erzielen.

Sie begannen damit, der KI hochauflösende Bilder zuzuführen, die dem ähnelten, was sie sehen würden, wenn sie den Gegenstand mit Hochleistungsoptik betrachten würden. Ihr System entfernte sämtliches Rauschen aus diesen Bildern und behielt die perfekten Lösungen bei. Diese Bilder ermöglichten es der KI, Echtzeitbilder aufzunehmen, die ihr von einem Mikroskop zugeführt wurden, und Bilder mit höherer Auflösung zu rekonstruieren.

Beeindruckenderweise benötigte das CVDM deutlich weniger Programmierung, um ähnliche Ergebnisse zu erzielen. Dieser Ansatz eliminiert den Großteil der Programmierkosten und verlängert die Entwicklungszeit nicht. Dieser Durchbruch stellt somit eine bedeutende Verbesserung im KI-Sektor dar, die das Potenzial hat, in Zukunft viele Märkte zu revolutionieren.

CVDM-Anwendungen

Viele Branchen verlassen sich auf Diffusions-KI-Systeme, um ihre Produkte und Dienstleistungen zu verbessern. Diese Systeme könnten eines Tages mehrere Branchen verbessern, darunter Optik, Radar, Kommunikationstheorie, Akustik, Signalverarbeitung, medizinische Bildgebung, Ozeanographie, Astronomie, Sprachverarbeitung, DNA-Sequenzierung und viele mehr.

Gesundheitswesen

Eine ernsthafte Anwendung für das CVDM-System liegt im Gesundheitswesen. Die Technologie könnte dazu beitragen, die Programmierkosten von KI zu senken Fachleute des Gesundheitswesens  die Entscheidungsfindung verbessern. Systeme sehr kurzfristig. Diese zusätzlichen Einsparungen und die Effizienz könnten maximiert und mit neuen Fertigungstechniken und Materialien kombiniert werden, um kostengünstige, langlebige Lösungen zu schaffen.

Ozeanographie

Viele Menschen sind überrascht, dass nur etwa 7 % des Meeresbodens kartiert sind. Bis vor Kurzem fehlte die Technologie, um einen klaren Blick auf den Meeresboden zu erhalten. Fortschritte bei Sonar und KI haben die Ozeanographie jedoch auf ein völlig neues Niveau gehoben.

Unternehmen, die von CVDM profitieren könnten

Es gibt eine lange Liste von Unternehmen, die derzeit auf generative KI setzen, um wesentliche Aufgaben zu erledigen oder einzigartige Produkte auf den Markt zu bringen. Diese Unternehmen werden niedrigere Betriebskosten und bessere Ergebnisse erzielen, was dazu beitragen wird, Innovationen mithilfe des CVDM-Ansatzes voranzutreiben.

In nahezu jeder Branche gibt es Anwendungsfälle für generative KI-Tools für CVDM. Der eigentliche limitierende Faktor ist nicht die Technologie, sondern die Fähigkeit, sie kostengünstig zu integrieren und so einen echten Mehrwert für Produkte zu schaffen. Hier sind einige Unternehmen, die diese Aufgabe erfolgreich meistern konnten.

1. Estée Lauder

Dank des neuen intuitiven Assistenten von Estee Lauder wurde das Schminken durch KI-Technologie verbessert. Dieses System nutzt eine sprachgesteuerte KI, um Menschen mit Sehproblemen beim richtigen Schminken zu unterstützen. Nutzer können ihr Gesicht scannen und erhalten mithilfe einer Mischung aus KI und AR Anleitungen zum Auftragen.

Die Estée Lauder Companies Inc. (EL + 1.32%)

Das Estée Lauder-System könnte CVDM nutzen, um diesen Personen mehr Optionen zu bieten und die Reaktionsfähigkeit zu verbessern. Dieses Manöver würde dem Wunsch des Unternehmens entsprechen, eines der inklusivsten und vielfältigsten Kosmetikunternehmen weltweit zu sein.

2. Unistellar

Ein weiteres Unternehmen, das CVDM-Technologie zur Verbesserung seiner Angebote nutzen könnte, ist Unistellar. Dieses Teleskopunternehmen bietet eine Reihe KI-gestützter Lösungen an. Diese Geräte stellen eine direkte Verbindung zu Ihrem Smartphone her und sind mit vielen KI-Daten vorinstalliert. Insbesondere fungiert Ihr Telefon als Controller. Sie können damit den Nachthimmel scannen und die Bilder werden mit zusätzlichen Informationen auf Ihrem Smartphone angezeigt.

Beeindruckend ist, dass das System 37 Millionen Sterne und +5 Himmelskörper bestimmen kann. Unistellar nutzt Diffusions-KI, um die Bildqualität zu verbessern. Diese Systeme erforderten einen hohen Schulungsaufwand, der eines Tages durch CVDMs reduziert werden könnte. Im Moment können Sie für 2500 US-Dollar ein KI-Teleskop erwerben und den Himmel erkunden.

KI-Momentum auf dem Vormarsch

Diese neueste Entwicklung unterstreicht den kreativen Charakter der KI-Entwicklung und ihr nie endendes Streben nach Effizienzsteigerung. Es ist sinnvoll, KI dabei zu unterstützen, sich selbst zu programmieren, da sie den Prozess erheblich rationalisiert. CVDMs ermöglichen es Menschen, den Ball ins Rollen zu bringen, und KI bringt ihn auf Touren. Auf diese Weise bieten sie eine effiziente Lösung, die in einer Vielzahl von Branchen eingesetzt werden kann.

CVDM ist ein Game Changer

Die Einführung von CVDMs wird sicherlich Auswirkungen auf den Markt haben. Diese Protokolle werden die Programmierkosten und den Zeitaufwand senken, was in Zukunft zu mehr Zugang und besseren KI-Lösungen führen könnte. Im Moment müssen Sie es dem Team hinter dem CVDM-Projekt überlassen, da es ein hervorragendes Wachstumspotenzial hat.