Ερευνητές Προτείνουν Νέα Προσέγγιση με «Εξελικτικές Αλγόριθμους»

Ενώ οι τρέχοντες υπολογιστές μας εκτελούν προγραμματισμένες ενέργειες, αυτό αντιτίθεται με τον εγκέφαλό μας, ο οποίος είναι υψηλά προσαρμοστικός. Η προσαρμοστικότητά μας εξαρτάται σε μεγάλο βαθμό από τη συνάπτηση πλαστικότητα, με τις συνάψεις να είναι τα σημεία σύνδεσης μεταξύ των νευρώνων. Οι νευροεπιστήμονες είναι βαθιά ενδιαφερμένοι για τη συνάπτηση πλαστικότητα,既然 ότι είναι το κλειδί για τις διαδικασίες μάθησης και μνήμης.

Ερευνητές στις νευροεπιστήμες και την τεχνητή νοημοσύνη (ΤΝ) αναπτύσσουν μοντέλα για τις cơ chế των υποκείμενων διαδικασιών, προκειμένου να κατανοήσουν καλύτερα τον εγκέφαλο. Αυτά τα μοντέλα μας βοηθούν να αποκτήσουμε έμπνευση για τη βιολογική επεξεργασία πληροφοριών και είναι το κλειδί για να βοηθήσουν τις μηχανές να μαθαίνουν γρηγορότερα.

«Εξελικτικές Αλγόριθμους»

Ερευνητές στο Ινστιτούτο Φυσιολογίας του Πανεπιστημίου του Μπέρν έχουν τώρα αναπτύξει μια νέα προσέγγιση που βασίζεται σε «εξελικτικές αλγόριθμους» και αυτά τα προγράμματα υπολογιστή αναζητούν λύσεις μιμούμενα τη διαδικασία της βιολογικής εξέλιξης.

Η ερευνητική ομάδα ήταν υπό την ηγεσία του Δρ. Mihai Petrovici του Ινστιτούτου Φυσιολογίας του Πανεπιστημίου του Μπέρν και του Ινστιτούτου Φυσικής Kirchhoff του Πανεπιστημίου του Χάιντελμπεργκ.

Η μελέτη δημοσιεύθηκε στο περιοδικό eLife.

Όλα αυτά σημαίνουν ότι η βιολογική προσαρμοστικότητα, η οποία είναι το βαθμό στον οποίο ένα όργανο προσαρμόζεται στο περιβάλλον του, μπορεί να είναι ένα μοντέλο για εξελικτικές αλγόριθμους. Με αυτούς τους αλγόριθμους, η «ικανοποίηση» μιας υποψήφιας λύσης εξαρτάται από το πόσο καλά μπορεί να λύσει το υποκείμενο πρόβλημα.

Τρεις Σενάρια Μάθησης

Η νέα προσέγγιση ονομάζεται «εξελίσσοντας-μαθαίνοντας» ή «γίνεται προσαρμοστικός». Η ομάδα εστιάστηκε σε τρεις τυπικές σενάρια μάθησης, το πρώτο από τα οποία αφορούσε έναν υπολογιστή που έπρεπε να ανιχνεύσει ένα επαναλαμβανόμενο μοτίβο σε μια συνεχόμενη ροή εισόδου χωρίς να λαμβάνει ανατροφοδότηση για την απόδοσή του.

Το δεύτερο σενάριο αφορούσε τον υπολογιστή να λαμβάνει εικονικές ανταμοιβές όταν εκτελούσε μια επιθυμητή συμπεριφορά.

Το τρίτο σενάριο αφορούσε «καθοδηγούμενη μάθηση» όπου ο υπολογιστής ενημερωνόταν ακριβώς πόσο μακριά η συμπεριφορά του απομακρύνθηκε από την επιθυμητή.

Ο Δρ. Jakob Jordan είναι ο συγγραφέας και συν-πρώτος συγγραφέας από το Ινστιτούτο Φυσιολογίας του Πανεπιστημίου του Μπέρν.

«Σε όλα αυτά τα σενάρια, οι εξελικτικές αλγόριθμους ήταν σε θέση να ανακαλύψουν μηχανισμούς συνάπτικής πλαστικότητας και έτσι να λύσουν επιτυχώς μια νέα εργασία», είπε ο Δρ. Jordan.

Οι αλγόριθμους απέδειξαν ισχυρή δημιουργικότητα.

Ο Δρ. Maximilian Schmidt είναι ο συν-πρώτος συγγραφέας της μελέτης.

«Για παράδειγμα, ο αλγόριθμος βρήκε ένα νέο μοντέλο πλαστικότητας στο οποίο τα σήματα που ορίσαμε συνδυάστηκαν για να σχηματίσουν ένα νέο σήμα. Πράγματι, παρατηρούμε ότι τα δίκτυα που χρησιμοποιούν αυτό το νέο σήμα μαθαίνουν γρηγορότερα από τα προηγουμένως γνωστά κανόνες», είπε ο Δρ. Schmidt.

“Βλέπουμε την E2L ως μια υποσχόμενη προσέγγιση για να αποκτήσουμε βαθιά έμπνευση για τις βιολογικές αρχές μάθησης και να επιταχύνουμε την πρόοδο προς ισχυρές μηχανές μάθησης”, είπε ο Petrovoci.

«Ελπίζουμε ότι θα επιταχύνει την έρευνα για τη συνάπτηση πλαστικότητα στο νευρικό σύστημα», σχολίασε ο Δρ. Jordan.

Η ομάδα λέει ότι τα νέα ευρήματα θα προσφέρουν βαθύτερη έμπνευση για το πώς λειτουργούν οι υγιείς και οι ασθενείς εγκέφαλοι και θα μπορούσαν να βοηθήσουν στην ανάπτυξη ευφυών μηχανών που μπορούν να προσαρμοστούν στους χρήστες.