了解机器人在不同条件下的反应对于保证机器人的安全运行至关重要。但是你怎么知道什么会破坏机器人而不会实际损坏机器人呢?由奥地利科学技术研究所(IST奥地利)和马克斯普朗克智能系统研究所(智能系统MPI)的科学家开发的新方法是第一种可以使用在安全条件下进行观测的机器学习方法来进行准确预测。对于由相同物理动力学支配的所有可能条件。它们专为现实生活中的情况而设计，提供了对基础物理的简单，可解释的描述。研究人员明天将在今年的国际机器学习大会(ICML)上展示他们的发现。

过去，机器学习只能插入数据 - 对其他已知情况之间的“情况”进行预测。它无法进行外推 - 对已知情况进行预测 - 因为它学会在本地尽可能接近已知数据，无论它在这些情况之外如何执行。此外，收集足够的数据进行有效插值既耗费时间和资源，又需要来自极端或危险情况的数据。但现在，Georg Martius，前ISTFELLOW和IST奥地利博士后，自2017年起担任图宾根智能系统MPI组长，Subham S. Sahoo，智能系统MPI博士生和IST奥地利教授Christoph Lampert ，

新方法的关键特征是它努力揭示情况的真实动态：它接收数据并返回描述基础物理的方程。“如果你知道那些方程式，”Georg Martius说，“那么你可以说在所有情况下会发生什么，即使你还没有看到它们。” 换句话说，这就是允许该方法可靠地推断，使其在机器学习方法中独特的原因。

该团队的方法也以其他几种方式与众不同。首先，机器学习期间先前产生的最终近似值太复杂，无法让人理解或使用。在新方法中，得到的方程更简单：“我们的方法是你在教科书中看到的方程式 - 简单直观，”Christoph Lampert说。后者是另一个关键区别：其他机器学习方法无法洞察条件和结果之间的关系 - 因此，对模型是否合理无直觉。“在研究的每一个领域，我们都期望具有物理意义的模型，告诉我们原因，”兰伯特补充道。“这是我们应该从机器学习中获得的，以及我们的方法所提供的。” 最后，为了保证可解释性并针对身体状况进行优化，团队将他们的学习方法基于不同类型的框架。这种新设计比以前的方法更简单，这在实践中意味着需要更少的数据来提供相同甚至更好的结果。

并不是所有的理论：“在我的小组中，我们实际上正在开发一种使用这种类型学习的机器人。将来，机器人将尝试不同的运动，然后能够使用机器学习来揭示方程式管理它的身体和运动，让它避免危险的行为或情况，“Martius补充说。虽然机器人是研究的一个活跃领域，但该方法可以用于从生物系统到X射线跃迁能量的任何类型的数据，并且还可以结合到更大的机器学习网络中。