AI baseret på langsom hjernedynamik

Forskere ved Bar-llan Universitet i Israel har brugt avancerede eksperimenter på neurale kulturer og store simulations til at skabe en ny ultrafast kunstig intelligens. Den nye AI er baseret på den langsomme hjernedynamik hos mennesker. Denne hjernedynamik har bedre læringsrater sammenlignet med de bedste læringsalgoritmer, vi har i dag.

Maskinlæring er faktisk stærkt relateret til og baseret på hjernens dynamik. Med hastigheden af moderne computere og deres store datasæt har vi kunnet skabe dybe læringsalgoritmer, der ligner menneskelige eksperter i forskellige områder. Men disse læringsalgoritmer har andre karakteristika end menneskers hjerne.

Forskerholdet på universitetet offentliggjorde deres arbejde i tidsskriftet Scientific Reports. De arbejdede med at kombinere neurovidenskab og avancerede kunstig intelligens-algoritmer, et felt, der har været forladt i årtier.

Professor Ido Kanter fra Bar-llan Universitets fysikafdeling og Gonda (Goldschmied) Multidisciplinær Hjernestudie, og den ledende forfatter af studiet, kommenterede de to felter.

“Den nuværende videnskabelige og teknologiske synsvinkel er, at neurobiologi og maskinlæring er to separate discipliner, der udvikler sig uafhængigt,” sagde han. “Fraværet af den forventede gensidige indflydelse er forvirrende.”

“Antallet af neuroner i en hjerne er mindre end antallet af bits i en typisk diskstørrelse på moderne personlige computere, og hjernens beregningshastighed er som sekundviseren på et ur, endda langsommere end den første computer, der blev opfundet for over 70 år siden,” sagde han.

“Desuden er hjernens læringsregler meget komplicerede og fjern fra principperne for læringstrin i nuværende kunstig intelligens-algoritmer.”

Professor Kanter arbejder med et forskerhold, der inkluderer Herut Uzan, Shira Sardi, Amir Goldental og Roni Vardi.

Når det kommer til hjernedynamik, beskæftiger de sig med asynkrone indgange, da den fysiske virkelighed ændrer sig og udvikler sig. Derfor er der ingen synkronisering for nervecellerne. Dette er anderledes med kunstig intelligens-algoritmer, da de er baseret på synkrone indgange. Forskellige indgange inden for samme ramme og deres tidsmæssige forløb bliver normalt ignoreret.

Professor Kanter gik videre med at forklare denne dynamik.

“Når man kigger fremad, observerer man straks en ramme med flere objekter. For eksempel, mens man kører, observerer man biler, fodgængerovergange og vejvisning, og kan let identificere deres tidsmæssige orden og relative positioner,” sagde han. “Biologisk hardware (læringsregler) er designet til at håndtere asynkrone indgange og raffinere deres relative information.”

En af punkterne i denne studie er, at ultrafast læringsrater er omtrent de samme, uanset om det er et lille eller stort netværk. Ifølge forskerne er “den komplicerede hjernes læringsordning faktisk en fordel.”

Studiet viser også, at læring kan finde sted uden læringstrin. Det kan opnås gennem selvtilpasning baseret på asynkrone indgange. I den menneskelige hjerne sker denne type læring i dendritterne, der er korte udvidelser af nerveceller, og forskellige terminaler af hver neuron. Dette er blevet observeret tidligere. Tidligere troede man, at det var ubetydeligt, at netværksdynamik under dendritlæring kontrolleres af svage vægte.

Denne nye forskning og fund kan betyde mange forskellige ting. Disse effektive dybe læringsalgoritmer og deres lighed med den meget langsomme hjernes dynamik kan hjælpe med at skabe en ny klasse af avanceret kunstig intelligens med hurtige computere.

Studiet fremhæver også samarbejdet mellem neurobiologi og kunstig intelligens, der kan hjælpe begge felter med at udvikle sig yderligere. Ifølge forskergruppen er “indsigter i hjernens grundlæggende principper skal igen være i centrum for fremtidig kunstig intelligens.”