Aivotutkimukseen perustuva tekoäly

Bar-llanin yliopiston tutkijat Israelissa ovat käyttäneet edistyneitä kokeita hermosolujen ja suurten simulaatioiden parissa luomaan uuden ultra-nopean tekoälyn. Uusi tekoäly perustuu ihmisen aivojen hitaisiin dynamiikkaan. Nämä aivodynamiikka ovat parempia oppimisnopeuksiltaan verrattuna parhaimpiin oppimisalgoritmeihimme, joita meillä on tällä hetkellä.

Koneoppiminen on itse asiassa vahvasti liitetty ja perustuu aivojemme dynamiikkaan. Nykyaikaisen tietokoneen nopeuden ja suurten tietojoukkien ansiosta olemme pystyneet luomaan syvän oppimisen algoritmeja, jotka ovat samankaltaisia kuin ihmisten asiantuntijat eri aloilla. Näillä oppimisalgoritmeilla on kuitenkin erilaiset ominaisuudet kuin ihmisaivoilla.

Yliopiston tutkijaryhmä julkaisi tutkimuksensa Scientific Reports -julkaisussa. He työskentelivät yhdistääkseen neurotieteen ja edistyneiden tekoälyalgoritmien, alana joka on ollut hylätty vuosikymmenien ajan.

Bar-llanin yliopiston fysiikan laitoksen ja Gonda (Goldschmied) monitieteisen aivotutkimuksen johtaja, professori Ido Kanter, joka on myös tutkimuksen pääkirjoittaja, kommentoi kahta alaa.

“Nykyinen tieteellinen ja teknologinen näkökulma on, että neurobiologia ja koneoppiminen ovat kaksi erillistä alaa, jotka kehittyvät itsenäisesti”, hän sanoi. “Odottamattoman vastavuorovaikutuksen puute on hämmentävä.”

“Aivojen hermosolujen määrä on vähäisempi kuin modernien henkilökohtaisten tietokoneiden tavallinen levykkeen koko, ja aivojen laskentanopeus on kuin kellon sekuntikäsi, jopa hitaampi kuin ensimmäinen tietokone, joka keksittiin yli 70 vuotta sitten”, hän sanoi.

“Lisäksi aivojen oppimissäännöt ovat hyvin monimutkaisia ja poikkeavat nykyisten tekoälyalgoritmien oppimisperiaatteista.”

Professori Kanter työskentelee tutkijaryhmän kanssa, johon kuuluvat Herut Uzan, Shira Sardi, Amir Goldental ja Roni Vardi.

Kun on kyse aivodynamiikasta, he käsittelevät asynkronisia syöteitä, koska fyysinen todellisuus muuttuu ja kehittyy. Tämän vuoksi hermosoluilla ei ole synkronia. Tämä on erilaista kuin tekoälyalgoritmeilla, jotka perustuvat synkronisiin syöteisiin. Erilaiset syötteet samassa kehyksessä ja niiden ajatukset havaitaan yleensä.

Professori Kanter jatkoi selittämään tätä dynamiikkaa.

“Kun katseet kohdistetaan eteenpäin, havaitaan välittömästi kehys, jossa on useita objekteja. Esimerkiksi ajaessa havaitaan autoja, jalankulkijoiden ylityspaikkoja ja tienviittoja, ja niiden suhteellinen järjestys ja asema voidaan helposti tunnistaa”, hän sanoi. “Biologinen laitteisto (oppimissäännöt) on suunniteltu käsittelemään asynkronisia syöteitä ja jalostamaan niiden suhteellista tietoa.”

Yksi tutkimuksen näkökohtia on, että ultra-nopeat oppimisnopeudet ovat samat, olipa kyse sitten pienestä tai suuresta verkosta. Tutkijoiden mukaan “aivojen monimutkaisen oppimisskeeman haitta on itse asiassa etu”.

Tutkimus osoittaa myös, että oppiminen voidaan saavuttaa ilman oppimisaskelia. Se voidaan saavuttaa itse sopeutumalla asynkronisten syötteiden perusteella. Ihmisaivoissa tämänlainen oppiminen tapahtuu hermosolujen dendriiteissä, jotka ovat lyhyitä hermosolujen laajennuksia, ja eri hermosolujen terminaaleissa. Tämä on havaittu aiemmin. Aikaisemmin uskottiin, että verkon dynamiikka dendriittisen oppimisen alaisuudessa ohjataan heikkoina painoina.

Tämä uusi tutkimus ja sen tulokset voivat merkitä monia eri asioita. Nämä tehokkaat syvän oppimisen algoritmit ja niiden samankaltaisuus ihmisaivojen hitaisiin dynamiikkaan voivat auttaa luomaan uuden edistyneen tekoälyluokan nopeiden tietokoneiden avulla.

Tutkimus myös puolustaa yhteistyötä neurobiologian ja tekoälyn alojen välillä, mikä voi auttaa molempia aloja edetä pidemmälle. Tutkimusryhmän mukaan “aivojen perusperiaatteiden oivallukset on uudelleen asetettava tulevaisuuden tekoälyn keskipisteeksi”.