Forskere foreslår ny tilgang med “evolutionære algoritmer”

Mens vores nuværende computere normalt udfører forudprogrammerede handlinger, står dette i modsætning til vores hjerner, som er meget tilpasningsdygtige. Vores tilpasningsevne er stærkt afhængig af synaptisk plasticitet, med synapser som forbindelsespunkterne mellem neuroner. Neuroforskere er dybt fascinerede af synaptisk plasticitet, da det er nøgle til læringsprocesser og hukommelse.

Forskere i neurovidenskab og kunstig intelligens (AI) udvikler modeller for mekanismerne bag disse underliggende processer for bedre at forstå hjernen. Disse modeller hjælper os med at få indsigt i biologisk informationsbehandling, og de er nøgle til at hjælpe maskiner med at lære hurtigere.

“Evolutionære algoritmer”

Forskere ved Institut for Fysiologi ved Universitetet i Bern har nu udviklet en ny tilgang baseret på “evolutionære algoritmer”, og disse computerprogrammer søger efter løsninger ved at efterligne processen med biologisk evolution. 

Forskningsholdet blev ledet af Dr. Mihai Petrovici fra Institut for Fysiologi ved Universitetet i Bern og Kirchhoff Institut for Fysik ved Universitetet i Heidelberg.

Studiet blev offentliggjort i tidsskriftet eLife.

Alt dette betyder, at biologisk fitness, som er graden til, hvilken en organisme tilpasser sig til sin omgivelse, kan være en model for evolutionære algoritmer. Med disse algoritmer afhænger “fitness” af en kandidatløsning af, hvor godt den kan løse det underliggende problem. 

Tre lærings-scenarier

Den nye tilgang kaldes “evolving-to-learn” eller “blive tilpasningsdygtig.” Holdet fokuserede på tre typiske lærings-scenarier, hvoraf det første involverede en computer, der skulle détectere en gentaget mønster i en kontinuerlig strøm af input uden at modtage feedback om dens præstation.

Det andet scenario involverede, at computeren modtog virtuelle belønninger, når den udførte en ønsket adfærd.

Det tredje scenario involverede “guided learning”, hvor computeren blev fortalt præcis, hvor langt dens adfærd afveg fra den ønskede.

Dr. Jakob Jordan er korresponderende og co-første forfatter fra Institut for Fysiologi ved Universitetet i Bern.

“I alle disse scenarier var de evolutionære algoritmer i stand til at opdage mekanismer for synaptisk plasticitet og løste dermed succesfuldt en ny opgave,” sagde Dr. Jordan.

Algoritmernes viste stærk kreativitet.

Dr. Maximilian Schmidt er co-første forfatter af studiet.

“For eksempel fandt algoritmen en ny plasticitetsmodel, hvor signalerne, vi definerede, kombineres for at danne et nyt signal. Faktisk observerer vi, at netværk, der bruger dette nye signal, lærer hurtigere end med tidligere kendte regler,” sagde Dr. Schmidt.

“Vi ser E2L som en lovende tilgang til at få dybe indsigt i biologiske læringsprincipper og accelerere fremskridt mod kraftfulde kunstige læringsmaskiner,” sagde Petrovoci. 

“Vi håber, det vil accelerere forskningen i synaptisk plasticitet i nervesystemet,” kommenterede Dr. Jordan. 

Holdet siger, at de nye fund vil give dybere indsigt i, hvordan sunde og syge hjerner fungerer, og de kan hjælpe med at udvikle intelligente maskiner, der kan tilpasse sig brugere.