Кључ паметнијег, бржег АИ-а вероватно је пронађен моделирањем мозга мозга

Chris Anderson: How YouTube is driving innovation (Јули 2019).

$config[ads_text] not found
Anonim

УВ истраживачи имају за циљ изградњу релативно једноставног модела неуронске мреже која имитира некомпликовану, али ефикасну структуру неуролошког система мозга


Аутор: Бриан Санто, допринос писцу

Истраживачи на Универзитету у Вашингтону развили су релативно једноставну неуронску мрежу која имитира биолошке неуронске системе. Перформансе новог модела неуронске мреже указују на могућност изградње АИ-ова који су мање сложени, али много ефикаснији у учењу због тога. Истовремено, истраживање, објављено у арКсив репозиторијуму, дало је нови увид у то како живе створења уче - или бар како нека створења сазнају неке ствари.
Најчешћи пут за емулирање ефикасности биолошких неуронских система био је стварање све сложенијих вештачких интелигенција са све сложенијим способностима за учење на машини. Биолошки системи који надмашују АИ понекад нису толико сложени, међутим, жива бића често уче много брже од АИ-а користећи знатно мање искустава за учење него АИ-ји захтевају скупове података.
Почевши од ових запажања, истраживачи УВ-а су одлучили да израђују релативно једноставни модел неуронске мреже који опонаша релативно некомпликовану структуру неуролошког система мозга.
Универзитет у Вашингтону анализира биологију инсеката деценијама; овај истраживачки тим је изабрао мољке јер су лабораторије УВ већ темељно мапирале своје неуролошке системе. Већ су знали да моли могу научити мирисе након што их само неколико пута доживљавају. Упркос релативној једноставности, међутим, остало је нејасно прецизно како су неуролошки системи мољаца радили приликом учења.
Већина неуронских мрежа функционише на принципу протуплазије. Са овом техником, тежине између неурона (у суштини чврсто везе између њих) константно се прерачунавају кроз процес исхране излаза назад у систем, тако да се улазни и излазни елементи могу упоређивати и прилагођавати једни према другима.
Биолошки системи ретко раде нешто овако. Уместо тога, они се обично организују као каскаде напајања.
Почетак каскаде у соколовима је сет од око 30.000 хемијских рецепторских неурона (РНс), који хране сигнале у антенски реж (АЛ). АЛ садржи отприлике 60 изолованих кластера ћелија (названи гломерули - плаћа се да побољшају снагу речи!), Од којих се сваки фокусира на појединачну функцију стимулуса мириса. АЛ, кажу истраживачи, инхерентно је бучно. Истраживачи упоређују АЛ са пред-појачавачем, "обезбеђујући контролу ојачања и оштрију представљање мириса."
Сигнали из АЛ-а прослеђени су структури названој тијело печурака (МБ). МБ садржи око 4.000 ћелија (Кенионове ћелије) повезане с формирањем сећања. Сигнали пролазе кроз још две помоћне структуре (свака нумерација у десетинама ћелија), чија функција се сматра читањем сигнала са МБ-а. Ове спарсер структуре дјелују као филтери буке, писали су истраживачи. Бука није елиминисана, али је довољно смањена у циљу ефикасног учења.
Процес уопште не функционише без октопамина, описаног као неуромодулатор. Ослобађање хемикалије се покреће наградом - на пример, мољац који нађе шећер за конзумирање. Када мољац пронађе награду, отопљени октопамин стимулише побољшану активност у АЛ и МБ. Практични ефекат ове побољшане активности је ојачати везе између корелираних неурона у неуролошким системима мозга. Механизам се зове Хебско учење; у којој мјери се јачина неуронских веза може промијенити назива се хебијанска пластичност.
УВ истраживачи су изградили математички модел који имитира све ово, а њихови неурални модели молдера научили су брзо с минималним симулираним улазима непријатних мириса. Њихови резултати су слични понашању које они посматрају у молдерима, снажно сугеришући да имају тачан модел.
Ако је тако, то ће имати последице и за биологију и за неуронске мреже.
Да је понашање модела било толико слично ономе у стварним биолошким системима, охрабрило је истраживаче да очекују да сада имају јасније разумијевање механизама на раду у живим бићима. Мирисни / неуролошки системи молара су структурно слични онима многих других створења, истичу истраживачи.
Њихов рад такође предлаже нови пут за истраживање машинског учења. "Конкретно", написали су у свом чланку, "наши експерименти разјашњавају механизме за брзо учење од бучних података који се ослањају на каскадне мреже, спарингност и хебијанску пластичност."

Извор слике: Викимедиа Цоммонс