Att återskapa det mänskliga sinnets förmåga att härleda mönster och relationer från komplexa händelser kan leda till en universell modell av artificiell intelligens.

En stor utmaning för artificiell intelligens (AI) är att ha förmågan att se tidigare ytliga fenomen för att gissa de bakomliggande orsaksprocesserna. Ny forskning av KAUST och ett internationellt team av ledande specialister har gett ett nytt tillvägagångssätt som går bortom ytlig mönsterdetektering.

Människor har en utomordentligt förfinad känsla av intuition eller slutledning som ger oss insikten, till exempel, att förstå att ett lila äpple kan vara ett rött äpple upplyst med blått ljus. Denna känsla är så högt utvecklad hos människor att vi också är benägna att se mönster och relationer där inga existerar, ger upphov till vår benägenhet för vidskepelse.

Denna typ av insikt är en sådan utmaning att kodifiera i AI att forskare fortfarande håller på att ta reda på var de ska börja:ändå representerar den en av de mest grundläggande skillnaderna mellan naturligt och maskinellt tänkande.

Fem år sedan, ett samarbete mellan KAUST-anslutna forskarna Hector Zenil och Jesper Tegnér, tillsammans med Narsis Kiani och Allan Zea från Sveriges Karolinska Institutet, började anpassa algoritmisk informationsteori till nätverks- och systembiologi för att ta itu med grundläggande problem inom genomik och molekylära kretsar. Det samarbetet ledde till utvecklingen av ett algoritmiskt tillvägagångssätt för att härleda orsaksprocesser som kunde ligga till grund för en universell modell för AI.

"Machine learning och AI blir allestädes närvarande i industrin, vetenskap och samhälle, ", säger KAUST-professor Tegnér. "Trots den senaste tidens framsteg, vi är fortfarande långt ifrån att uppnå generell maskinintelligens med kapacitet för resonemang och inlärning över olika uppgifter. En del av utmaningen är att gå bortom ytlig mönsterdetektering mot tekniker som möjliggör upptäckten av de underliggande orsaksmekanismerna som producerar mönstren."

Denna orsakslöshet, dock, blir mycket utmanande när flera olika processer är sammanflätade, som ofta är fallet i molekylära och genomiska data. "Vårt arbete identifierar de delar av data som är orsaksrelaterade, ta bort de falska korrelationerna och sedan identifiera de olika orsaksmekanismerna som är involverade i att producera de observerade data, säger Tegnér.

Metoden bygger på ett väldefinierat matematiskt koncept av algoritmisk informationssannolikhet som grund för en optimal slutledningsmaskin. Den största skillnaden från tidigare tillvägagångssätt, dock, är övergången från en observatörscentrerad syn på problemet till en objektiv analys av fenomenen baserad på avvikelser från slumpmässighet.

"Vi använder algoritmisk komplexitet för att isolera flera interagerande program, och sök sedan efter uppsättningen program som kan generera observationerna, säger Tegnér.

Teamet demonstrerade sin metod genom att tillämpa den på de interagerande utgångarna från flera datorkoder. Algoritmen hittar den kortaste kombinationen av program som skulle kunna konstruera den invecklade utdatasträngen av 1:or och 0:or.

"Denna teknik kan utrusta nuvarande maskininlärningsmetoder med avancerade kompletterande förmågor för att bättre hantera abstraktion, slutledning och begrepp, som orsak och verkan, att andra metoder, inklusive djupinlärning, kan för närvarande inte hantera, säger Zenil.