Visefektīvākā, ātrāka AI, kas, iespējams, tiek atrasta, modelējot smadzeņu smadzenes

ZEITGEIST: MOVING FORWARD | OFFICIAL RELEASE | 2011 (Jūnijs 2019).

$config[ads_text] not found
Anonim

UW pētnieki cenšas veidot relatīvi vienkāršu nervu tīklu modeli, kas atdarina neprognozējamu, bet efektīvu mātes neiroloģiskās sistēmas struktūru


Autors Brian Santo, rakstnieks

Pētnieki Vašingtonas universitātē ir izveidojuši salīdzinoši vienkāršu nervu tīklu, kas imitē bioloģiskās nervu sistēmas. Jaunā neironu tīkla modeļa veiktspēja norāda uz iespējām veidot AI, kas ir mazāk sarežģītas, taču to daudz vairāk efektīvi apgūst. Tajā pašā laikā pētījums, kas publicēts arXiv repozitorijā, sniedza jaunu ieskatu par to, kā dzīvās būtnes mācās - vai vismaz par to, kā dažas radības mācās dažas lietas.
Visbiežākais veids, kā pielīdzināt bioloģisko nervu sistēmu efektivitāti, bija radīt arvien sarežģītākus mākslīgos inteliģences ar arvien sarežģītākām mašīnmācību iespējām. Dažkārt bioloģiskās sistēmas, kas pārspēj AI, tomēr nav tik sarežģītas, un dzīvās būtnes bieži mācās daudz ātrāk nekā AI, kas izmanto ievērojami mazāk pieredzes, lai mācītos, nekā AI prasa datu kopas.
Sākot ar šiem novērojumiem, UW pētnieki nolēma izstrādāt salīdzinoši vienkāršu neironu tīklu modeli, kas atdarina reljefa neiroloģiskās sistēmas relatīvi vienkāršo struktūru.
Vašingtonas universitāte gadu desmitiem ir analizējusi kukaiņu bioloģiju; šī pētījumu komanda izvēlējās pelēkas, jo UW laboratorijas jau ir rūpīgi kartējušas savas neiroloģiskās sistēmas. Viņi jau zināja, ka dīgļi var iemācīties smaržo pēc tam, kad tie ir piedzīvojuši tikai dažas reizes. Neskatoties uz salīdzinošo vienkāršību, tomēr bija neskaidrs, kā tieši mātes neiroloģiskās sistēmas mācās.
Lielākā daļa neironu tīklu darbojas pēc atgriezeniskās saites principa. Ar šo metodi svari starp neironiem (būtībā savienojumu stiprums starp tiem) tiek nepārtraukti pārrēķināti, izmantojot produkcijas ievadīšanas procesu atpakaļ sistēmā, lai ievades un izvadi varētu salīdzināt un pielāgot viens pret otru.
Bioloģiskās sistēmas reti dara kaut ko līdzīgu šim. Tā vietā viņi parasti tiek organizēti kā avārijas avārijas kaskādes.
Kaskādes sākums vanags ir aptuveni 30 000 ķīmisko receptoru neironu (RN), kas baro signālus antenas liemeņos (AL). AL sastāvā ir aptuveni 60 izolētas šūnu grupas (ko sauc par glomeruliem - tas maksā, lai uzlabotu jūsu vārdu spēks!), No kuriem katrs koncentrējas uz vienu smaržu stimulu funkciju. AL, pēc pētnieku domām, pēc savas būtības ir skaļš. Pētnieki pielīdzina AL iepriekš pastiprinātājam, "nodrošinot kontroli un smaržu atveidojumu pastiprināšanu".
AL signāli tiek pārsūtīti uz struktūru, ko sauc par sēņu struktūru (MB). MB satur apmēram 4000 šūnu (Kenyon šūnas), kas saistītas ar atmiņas veidošanu. Signāli iziet cauri vēl divām palīgstruktūrām (katra numerācija ir desmitiem šūnu), kuras funkcija, domājams, ir nolasīt signālus no MB. Šie sparser struktūras darbojas kā trokšņa filtri, raksta pētnieki. Troksnis nav novērsts, bet tas ir pietiekami samazināts efektīvas mācīšanās nolūkā.
Process vispār nedarbojas bez oktopamīna, kas aprakstīts kā neuromodulators. Ķimikāliju atbrīvo ar atlīdzību - piemēram, motei, kas atrod cukuru patēriņam. Kad valdziņš uzrāda atlīdzību, atbrīvotais oktopamīns stimulē paaugstinātu aktivitāti AL un MB. Šīs pastiprinātās darbības praktiskā ietekme ir stiprināt savienojumus starp korelētajiem neironiem mātes neiroloģiskajā sistēmā. Šo mehānismu sauc par hebiešu mācīšanos; cik lielā mērā var mainīt neironu savienojumu spēku, sauc par hebijas plastika.
UW pētnieki izveidoja matemātisku modeli, kas atdarina visu to, un viņu neļķu modeļi ar kauliņiem ātri iemācījušies ar minimālām simulētām smakas iezīmēm. Viņu rezultāti ir līdzīgi uzvedībai, ko viņi novēro dumbrājos, stingri norādot, ka viņiem ir precīzs modelis.
Ja tā, tas ietekmēs gan bioloģiju, gan neironu tīklus.
Tas, ka modeļa uzvedība bija tik līdzīga kā faktiskajām bioloģiskajām sistēmām, iedrošināja pētniekus sagaidīt, ka viņiem tagad ir skaidrāka izpratne par mehānismiem darbā dzīvās būtnēs. Zinātnieki atzīmēja olšūnu / neiroloģisko sistēmu kauliem strukturāli līdzīgi daudzu citu radību sistēmām.
Viņu darbs arī liecina par jaunu ceļu, lai izpētītu mašīnu apguvi. "Īpaši" viņi rakstīja savā rakstā, "mūsu eksperimenti izskaidro mehānismus, lai ātri mācītos no trokšņainiem datiem, kas balstās uz kaskādes tīkliem, sparsity un hebijas plastika."

Attēlu avots: Wikimedia Commons