Naukowcy opracowali nowatorską metodę planowania trajektorii dla złożonych systemów dynamicznych, która łączy sztuczną inteligencję z zaawansowaną matematyką, aby precyzyjniej przewidywać i kontrolować ruchy robotów oraz symulacji fizycznych. Metoda wykorzystuje grupy Liego - struktury matematyczne opisujące symetrie i transformacje - zamiast tradycyjnych podejść opartych wyłącznie na danych. To połączenie głębokich sieci neuronowych z geometrią rozmaitości ma fundamentalne znaczenie, ponieważ pozwala sztucznej inteligencji lepiej zrozumieć wewnętrzną strukturę problemów fizycznych zamiast nauki poprzez czyste empiryczne wzorce.
Kluczowa innowacja polega na wykorzystaniu nadzorowanego uczenia rozmaitości projekcyjnych, czyli struktury matematycznej, która naturalnie modeluje złożone zachowania fizyczne bez utraty informacji o symetrii systemów. Zamiast kazdorazowo uczyć się dynamiki od zera, nowa metodologia „wbudowuje" w architekturę sieci neuronowej wiedzę o tym, jak transformują się obiekty w przestrzeni. Podejście to szczególnie obiecuje dla zastosowań wymagających wysokiej precyzji - od precyzyjnego sterowania ramionami roboczymi przez skomplikowane manewry, przez realistyczne symulacje fizyczne do planowania ruchu w nieprzewidywalnym otoczeniu.
Badanie otwiera perspektywę fundamentalnego przesunięcia w sztucznej inteligencji dla robotyki i inżynierii. Zamiast szukać uniwersalnych rozwiązań pracujących dla każdego problemu, naukowcy pokazują, że wbudowanie struktury matematycznej danej dziedziny w model AI daje lepsze wyniki szybciej i z mniej danymi treningowymi. To ma potencjał sprawić, że roboty będą bardziej niezawodne w rzeczywistych warunkach i będzie można je szybciej adaptować do nowych zadań bez konieczności zebrania ogromnych zbiorów danych.