قوانین فیزیک به کمک هوش مصنوعی می‌آیند

امروزه کامپیوترها می‌توانند خودروها را هدایت کنند، قهرمان‌های جهان را در بازی‌های تخته‌ای مانند شطرنج و Go شکست دهند و حتی نثرهای ادبی بنویسند. بخش زیادی از تحولات هوش مصنوعی به نوع مشخصی از شبکه‌های عصبی مصنوعی وابسته‌اند با الهام از لایه‌های نورون در کورتکس بینایی پستانداران طراحی شده است. توانایی شگفت‌انگیز «شبکه‌های عصبی هم‌گشتی» (CNN-ها) در الگوهای یادگیری داده‌های دوبعدی به‌ویژه در عملیات بینایی کامپیوتر از جمله تشخیص کلمات دست‌نوشته و تشخیص اشیاء در تصاویر دیجیتالی، ثابت شده است.اما پیاده‌سازی معماری قدرتمند یادگیری ماشین در مجموعه‌های داده‌ای بدون درنظرگرفتن هندسه‌ی مسطح نتیجه‌ی خوبی نخواهد داشت. هندسه‌ی مسطح به مدل‌هایی از اشکال نامنظم گفته می‌شود که در انیمیشن‌های کامپیوتری سه‌بعدی یا ابرهای نقطه‌ای کاربرد دارند که توسط خودروهای خودران برای نقشه‌برداری از محیط اطراف ساخته می‌شوند. در سال ۲۰۱۶، روش جدیدی به‌نام یادگیری عمیق هندسی با هدف خارج کردن CNN-ها از حالت مسطح، ظهور کرد.

یکی از دستاوردهای موفقیت‌آمیز روش‌های جدید یادگیری ماشین، شناسایی دقیق تومورها در سی‌دی اسکن از این روش‌ها می‌توان روزی برای بهبود تشخیص‌های پزشکی استفاده کرد.امروزه، پژوهشگرها موفق به ارائه‌ی چارچوب جدید تئوری برای ساخت شبکه‌های عصبی شده‌اند. این شبکه‌ها می‌توانند روی انواع سطوح هندسی به یادگیری الگو بپردازند. این شبکه‌ها که با عنوان CNN-های پیمانه‌ای هم شناخته می‌شوند، قادر به تشخیص الگوها در آرایه‌‌ پیکسل‌های دوبعدی و اشیای منحنی نامتقارن و کروی هستند.تاکو کوهن، ماری ویلر، برکی کیکاناگلو و مکس ویلینگ از توسعه‌دهندگان شبکه‌های عصبی همگشتی هستند. ویلینگ می‌گوید: «این چارچوب، پاسخی قطعی به مسئله یادگیری عمیق روی سطوح منحنی است.»عملکرد CNN-های پیمانه‌ای در یادگیری الگو از داده‌های شبیه‌سازی‌شده‌ی جوی به طرز چشمگیری از شبکه‌های عصبی گذشته بهتر است. داده‌های جوی معمولا روی سطوح کروی نگاشته می‌شوند. الگوریتم‌های یادشده همچنین برای بهبود دید پهپادها و وسایل خودکاری که اشیای سه‌بعدی را زیر نظر دارند و برای شناسایی الگو در داده‌های سطوح منحنی نامنظم قلب، مغز و دیگر اعضای بدن، عملکرد سودمندی دارند.