שיפור הטכנולוגיות בתחום הרובוטיקה ומערכות האבטחה

מחקר חדש בהשתתפות חוקרים מאוניברסיטת בר-אילן, יעזור לשפר את היכולות הטכנולוגיות הקיימות היום בתחום הרובוטיקה ומערכות האבטחה באמצעות זיהוי עצמים תלת ממדיים בתנועה, שיפור תמונות מטושטשות וביצוע אינטגרציה של חיישנים מרובים.

פרופ' גל צ'צ'יק מהמרכז הרב תחומי לחקר המוח באוניברסיטת בר-אילן וראש קבוצת המחקר של אנבידיה בישראל, מסביר כי המחקר עוסק בתחום חדש הנקרא למידה עמוקה גיאומטרית, תת-תחום בעולם הבינה המלאכותית.

עד כה ההצלחות העיקריות של למידה עמוקה הן באובייקטים חד-ממדיים או דו-ממדיים כמו תמונות, טקסט וקול - כל אלה מיוצגים במרחב אוקלידי. למידה עמוקה גיאומטרית מבוצעת על אובייקטים ממרחב לא-אוקלידי, למשל, אילנות יוחסין, רשתות חברתיות, או פרצי תמונות. המחקר זכה בפרס "המאמר המצטיין ללמידת מכונה" בכנס המוביל בעולם בתחום זה (ICML).

"המחקר שלנו מוכיח תיאורטית באילו ארכיטקטורות של רשתות עצביות עמוקות יש להשתמש כאשר לומדים קבוצות של עצמים מורכבים. במונח 'מורכבים' אנו מתכוונים לעצמים שלהם יש מבנה מיוחד שנקרא סימטריה", הסבירו החוקרים. "אנו גם מדגימים באופן אמפירי שארכיטקטורה זאת משיגה תוצאות מצוינות במגוון שימושים בתמונות, גרפים וענני נקודות תלת-ממדיים." רשתות עצבים עמוקות הן למעשה רשתות עצבים מלאכותיות - מודלים מתמטיים שפותחו בהשראת המוח האנושי והתהליכים הקוגניטביים המתקיימים בו.

לדוגמה, השיטה החדשה מאפשרת ללמוד מתוך דוגמאות כיצד לבחור את התמונה הטובה ביותר באוסף תמונות לא מסודר. "בבעיה זאת ישנם שני סוגים של סימטריה: ראשית, יש לבחור את התמונה הטובה ביותר מבלי להתחשב בסדר התמונות באוסף. שנית, יש לבחור את התמונה הטובה ביותר גם אם חל שינוי קל במיקומים של המרכיבים העיקריים. מסתבר שמבנים דומים מתגלים גם במערכי צלילים, אותות, תמונות, ענני נקודות תלת-ממדיים ואפילו רשתות. סדר המרכיבים בכל המקרים האלה שרירותי, ולכל מרכיב יש מבנה סימטרי מיוחד", הסבירו החוקרים.

את המחקר הוביל ד"ר חגי מרון מקבוצת המחקר של חברת אנבידיה בישראל, והשתתפו בו גם ד"ר איתן פתיה מהפקולטה להנדסה באוניברסיטת בר-אילן, וד"ר אור ליטני מאוניברסיטת סטנפורד.

למחקר המלא: On Learning Sets of Symmetric Elements