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 jako spojnými body mezi neurony. Neurovědci jsou hluboce fascinováni synaptickou plasticitou, protože je klíčová pro procesy učení a paměti.

Výzkumníci v neurovědách a umělé 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“

Výzkumníci na Institutu fyziologie Univerzity v Bernu nyní vyvinuli nový přístup založený na „evolučních algoritmech“ a tyto počítačové programy hledají řešení napodobováním procesu biologické evoluce.

Výzkumný tým vedl Dr. Mihai Petrovici z Institutu fyziologie Univerzity v Bernu a Kirchhoffova institutu pro fyziku Univerzity v Heidelbergu.

Studie byla zveřejněna v časopise eLife.

To vše znamená, že biologická fitness, která je stupněm, do kterého se organismus přizpůsobuje svému prostředí, může být modelem pro evoluční algoritmy. S těmito algoritmy je „fitness“ kandidátského řešení závislá na tom, jak dobře může řešit základní problém.

Tři scénáře učení

Nový přístup se nazývá „evoluce pro učení“ nebo „stávání se adaptabilním“. 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 „řízené učení“, kde počítač byl informován přesně, jak daleko se jeho chování odchýlilo od požadovaného.

Dr. Jakob Jordan je korespondenční a spoluuvedený 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 spoluuvedený 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 slibný 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 přizpůsobit uživatelům.