Vědci navrhují nový přístup s „evolučními algoritmy“

Zatímco naše současné počítače obvykle provádějí předem naprogramované akce, stojí to v kontrastu s našimi mozkem, který je vysoce adaptabilní. Naše adaptabilita je silně závislá na synaptické plasticitě, se synapsími being spojovacími body mezi neurony. Neurovědci jsou hluboce fascinováni synaptickou plasticitou, protože je klíčová pro procesy učení a paměti.

Vědci v neurovědách a umělém inteligenci (AI) vyvíjejí modely pro mechanismy těchto základních procesů, aby lépe pochopili mozek. Tyto modely nám pomáhají získat vhled do biologické zpracování informací a jsou klíčové pro to, aby stroje učily rychleji.

„Evoluční algoritmy“

Vědci na Institutu fyziologie Univerzity v Bernu nyní vyvinuli nový přístup založený na „evolučních algoritmech“ a tyto počítačové programy hledají řešení tím, že napodobují proces biologické evoluce.

Výzkumný tým byl veden Dr. Mihai Petrovici z Institutu fyziologie Univerzity v Bernu a Kirchhoff Institute for Physics na Univerzitě v Heidelbergu.

Studie byla zveřejněna v časopise eLife.

To vše znamená biologickou fitness, která je stupněm, do kterého se organismus adaptuje na své prostředí, a může být modelem pro evoluční algoritmy. S těmito algoritmy je „fitness“ kandidátského řešení závislý na tom, jak dobře může vyřešit základní problém.

Tři scénáře učení

Nový přístup se nazývá „evolving-to-learn“ nebo „becoming adaptive“. Tým se zaměřil na tři typické scénáře učení, z nichž první zahrnoval počítač, který musel detekovat opakující se vzor v kontinuálním toku vstupu bez zpětné vazby o jeho výkonu.

Druhý scénář zahrnoval počítač, který obdržel virtuální odměny, když prováděl požadované chování.

Třetí scénář zahrnoval „guided learning“, kde počítač byl informován přesně, jak daleko se jeho chování odchýlilo od požadovaného.

Dr. Jakob Jordan je korespondenční a ko-first autor z Institutu fyziologie Univerzity v Bernu.

„Ve všech těchto scénářích byly evoluční algoritmy schopny objevit mechanismy synaptické plasticity a tím úspěšně vyřešit novou úlohu,“ řekl Dr. Jordan.

Algoritmy prokázaly silnou kreativitu.

Dr. Maximilian Schmidt je ko-first autor studie.

„Například algoritmus našel nový model plasticity, ve kterém signály, které jsme definovali, jsou kombinovány do nového signálu. Ve skutečnosti jsme pozorovali, že sítě, které používají tento nový signál, se učí rychleji než s dříve známými pravidly,“ řekl Dr. Schmidt.

“Vidíme E2L jako perspektivní přístup k získání hlubokých vhledů do biologických principů učení a urychlení pokroku směrem k silným umělým učícím se strojům,” řekl Petrovoci.

„Doufáme, že urychlí výzkum synaptické plasticity v nervovém systému,“ komentoval Dr. Jordan.

Tým říká, že nová zjištění poskytnou hlubší vhled do toho, jak fungují zdravé a nemocné mozky, a mohou pomoci při vývoji inteligentních strojů, které se mohou adaptovat na uživatele.