Forskare utvecklar AI-system för rymdskräp och medicin

Forskare har utvecklat flera avancerade AI-system för olika specialområden, med blandade resultat som både visar potential och begränsningar.

Inom rymdfart har två forskningsteam arbetat med AI-lösningar för att hantera det växande problemet med rymdskrot. Ett system baserat på Proximal Policy Optimization hjälper småsatelliter att undvika kollisioner medan de samlar upp skräp, genom att optimera bränsleförbrukning och uppdragstid. Tester med data från Iridium 33-vraket visar minskad kollisionsrisk jämfört med traditionella metoder. En parallell studie jämförde tre olika AI-metoder för skräpborttagning och fann att domänrandomiserad PPO-metod hade bäst anpassningsförmåga.

På medicinfronten har forskare skapat ett AI-system för kinesisk tibetansk medicin som kombinerar information från encyklopedier, klassiska texter och kliniska studier. Systemet uppnådde bättre källspårbarhet och färre hallucineringar när det testades på 500 medicinska frågor.

Forskare har också utvecklat OPINN, en modell som förutspår hur åsikter sprids och förändras i sociala grupper genom att kombinera fysik-inspirerade neurala nätverk med opinionsanalys. Modellen kan användas för att förstå polarisering och cybersäkerhet.

Ett mer överraskande fynd kom från forskning kring AI-agenttestning, där forskare skapade TEA-systemet som genererar nästan 88 000 testuppgifter för att utvärdera AI-agenter i 3D-miljöer. Resultaten visade att även avancerade AI-modeller presterar förvånansvärt dåligt på grundläggande uppgifter som perception och 3D-interaktion, trots goda resultat på standardtester. Detta pekar på ett betydande gap mellan AI:s prestanda i kontrollerade tester och verkliga tillämpningar.