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
Минимизация вариационной и ожидаемой свободной энергии определяется математически, но каждое применение активного вывода — от роботизированной руки до психиатрической модели и симуляции политики — в конечном итоге работает на основе реализации генеративной модели, механизма вывода и числового бэкенда. Различные наборы инструментов сделали здесь разные обязательства: дискретные частично наблюдаемые марковские процессы принятия решений против динамики непрерывного состояния, пакетные вычисления против реактивной потоковой передачи, генеративные модели, заданные вручную, против обученных, и числовые против символических представлений убеждений и целей. Поскольку другие страницы домена Института описывают активный вывод, применяемый к определенной области, эта страница вместо этого описывает общий вычислительный уровень под ними — наборы инструментов, которые моделист фактически использует для перехода от теории к работающей симуляции.
Четыре инструментальных цепочки, четыре парадигмы
PyMDP — это пакет Python для моделирования агентов активного вывода в средах марковских процессов принятия решений с дискретными состояниями, предоставляющий разработчикам моделей генеративную модель в стиле POMDP, вариационный вывод по скрытым состояниям и выбор политики на основе ожидаемой свободной энергии в широко используемой эталонной реализации. RxInfer.jl, разработанный в BIASlab в Эйндховене, идет другим путем: он выполняет реактивную передачу сообщений на графах факторов Форни, а не работает напрямую с байесовскими графами или явными POMDP, поэтому вывод является событийно-управляемым, а не выполняется по фиксированным часам, с заявленными преимуществами для потоковой передачи данных и для масштабирования до моделей с большим количеством параметров. SPM (Statistical Parametric Mapping), платформа MATLAB, созданная Карлом Фристоном в MRC Cyclotron Unit в конце 1980-х годов для статистического анализа данных фМРТ, ПЭТ и ЭЭГ, предшествует самому активному выводу — ее общая линейная модель и аппарат теории гауссовых полей развивались параллельно и помогли заложить основы формализма свободной энергии, и она остается в использовании сегодня как исторический краеугольный камень, так и рабочий инструмент анализа. Symbolic Cognitive Robotics, построенная вокруг проекта karma_system Жана-Франсуа Клутье, идет четвертым путем, сочетая символическое рассуждение с активным выводом, так что генеративные модели, убеждения и цели представлены как символические структуры, а не чисто числовые, при этом действия по-прежнему выбираются путем минимизации ожидаемой свободной энергии.
Разработка и обучение, связанные с институтом
Учебная группа RxInfer.jl — это активный проект Института, который напрямую сотрудничает с разработчиками RxInfer.jl в области разработки открытого исходного кода, включая методы визуализации базовых факторных графов в редакторе кода; группа проводила регулярные синхронные сессии и привлекала участников с различным опытом работы с Julia и байесовским моделированием, работающих над прикладными проектами. Символическая когнитивная робототехника — это работа Жана-Франсуа Клутье, Research Fellow, связанного с Институтом, который продемонстрировал подход karma_system в планировании роботов и решении символических задач; робототехника также была основным направлением второго Applied Active Inference Symposium Института. PyMDP, хотя и поддерживается вне Института, был представлен на собственных учебных сессиях ModelStream Института, что отражает его роль в качестве общей эталонной реализации в более широком сообществе, а не инструмента для одной лаборатории.
Открытые проблемы
Вышеупомянутые наборы инструментов не имеют общего формата генеративной модели, алгоритма вывода или числового бэкэнда, поэтому модель, построенная в одном, не может быть перенесена в другой без существенной переработки, и пока не существует стандартизированного набора тестов для их прямого сравнения по точности, скорости или поведению масштабирования. Разделение на дискретное/непрерывное/символическое также означает, что практикующие специалисты должны на ранней стадии выбрать парадигму — дискретные состояния в стиле POMDP, непрерывную передачу сообщений или символические представления — с ограниченными инструментами для их объединения в одной модели. Зрелость документации и упаковки значительно варьируется: некоторые инструменты имеют учебные пособия и структурированные учебные группы, в то время как другие остаются ближе к исследовательскому коду, чем к распределенному программному обеспечению. Как и в других областях применения активного вывода, заявления о внедрении и преимуществах производительности основываются скорее на продемонстрированных доказательствах концепции и активном развитии сообщества, чем на систематическом, независимом сравнении с установленными 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.