Активная инференция полезна только в той мере, в какой ее реализует код. В экосистеме небольшое количество инструментальных комплексов несет большую часть практической нагрузки: Python-пакеты для моделирования с дискретным состоянием, Julia-фреймворк для реактивного обмена сообщениями в масштабе, устаревшая платформа MATLAB для статистического анализа, которая помогла заложить основы теории, и системы символьного рассуждения, сочетающие минимизацию свободной энергии с логическим планированием для робототехники. На этой странице рассматриваются эти инструментальные комплексы, деятельность по разработке и обучению, связанная с ними, а также фрагментация, отделяющая их от единой последовательной программной платформы.
Почему домен подходит
Вариационные и минимизация свободной энергии, ожидаемой, определены математически, но каждое применение активного инференса — от манипулятора робота до психиатрической модели до симуляции политики — в конечном итоге основано на реализации генеративной модели, инференсном движке и числевом бэкенде. Различные инструментальные комплекты сделали разные обязательства здесь: дискретные частично наблюдаемые марковские процессы принятия решений против непрерывной динамики состояний, пакетные вычисления против реактивного потока, заданные вручную генеративные модели против обученных, числовые против символьных представлений убеждений и целей. Поскольку другие страницы домена Института описывают активный инференс, применяемый к области, на этой странице вместо этого описыется общий вычислительный слой под ними — инструментарий, который выбирает модельер для перехода от теории к работающей симуляции.
Четыре инструментальных цепочки, четыре парадигмы
PyMDP — это Python-пакет для моделирования агентов активного умождения в средах дискретных марковских решений процессов, предоставляющий модельерам POMDP-стильную генеративную модель, вариационное умождение над скрытыми состояниями и выбор политики на основе ожидаемой свободной энергии в широко используемой ссылочной реализации. RxInfer.jl, разработанный в BIASlab в Эйпенене, использует другой подход: он выполняет реактивное обменоение сообщений на графах Фонери вместо работы непосредственно с байесовскими графами или явными POMDP, поэтому умождение происходит событийно-ориентированно, а не по фиксированной часовой шкале, что дает преимущества для потоковых данных и масштабирования моделей с большим количеством параметров. SPM (Статистическое параметрическое картирование), разработанная Карлом Фристоном в MRC Cyclotron Unit в конце 1980-х годов платформа на MATLAB для статистического анализа данных fMRI, PET и EEG, предшествует самому активному умождению — ее общая линейная модель и аппаратура теории Гауссовых полей развивались параллельно и способствовали зарождению формализма свободной энергии, и она до сих пор используется как исторический краеугольный камень и рабочий инструмент анализа. Symbolic Cognitive Robotics, построенная вокруг проекта karma_system Жан-Франсуа Клутьёра, использует четвертый путь, объединяя символическое рассуждение с активным умождением так, чтобы генеративные модели, убеждения и цели представлялись в виде символьных структур, а не чисто числовых, при этом действия выбираются путем минимизации ожидаемой свободной энергии.
Разработка и обучение, связанные с институтом
Группа RxInfer.jl Learning — это активный проект Института, который сотрудничает напрямую с разработчиками RxInfer.jl в области разработки с открытым исходным кодом, включая визуализацию факторов внутри редактора кода; группа регулярно проводила синхронные сессии и привлекала участников с различным опытом работы с Julia и байесовским моделированием для решения практических задач. Символическая когнитивная робототехника — это работа Жан-Франсуа Клутиэ, научного сотрудника, связанного с Институтом, который продемонстрировал подход karma_system в задачах планирования роботов и символьного решения проблем; робототехника также была одной из основных тем Второй Прикладной Системы Активного Усвоения (Active Inference) Института. PyMDP, хотя и поддерживается вне Института, использовался в учебных сессиях ModelStream Института, отражая его роль как общего эталона реализации для более широкого сообщества, а не инструмента одной лаборатории.
Открытые проблемы
Инструментарии выше не имеют общей формат модели генерации, алгоритма инференса или числового бэкенда, поэтому модель, созданная в одном из них, нельзя перенести в другой без существенного переписывания, и еще не существует стандартизованного набора бенчмарков для сравнения их по точности, скорости или масштабируемости. Разделение дискретного/непрерывного/символического также означает, что практикам необходимо рано принимать парадигму — состояния в стиле POMDP, передача сообщений непрерывно или символьные представления, с ограниченным набором инструментов для их объединения в одной модели. Уровень документации и зрелости упаковки варьируется: некоторые инструменты имеют учебники и структурированные группы обучения, а другие остаются ближе к исследовательскому коду, чем к распределенному программному обеспечению. Как и в других областях применения активного инференса, заявления об использовании и преимуществах по производительности основаны больше на доказанных концепциях и активном развитии сообщества, чем на систематических независимых сравнениях с устоявшимися альтернативами.
Опорный каркас
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.