Tutkijat ehdottavat uutta lähestymistapaa ”evoluutioalgoritmeilla”

Vaikka nykyiset tietokoneet suorittavat ennalta ohjelmoituja toimintoja, tämä on vastakohtana aivojemme joustavuudelle. Joustavuutemme perustuu voimakkaasti synaptiseen plasticiteettiin, jossa synapsit ovat hermosolmujen välisiä yhteyksiä. Neurotieteilijät ovat syvästi kiinnostuneita synaptisesta plasticiteetista, koska se on avainasemassa oppimisprosesseissa ja muistissa.

Neurotieteen ja tekoälytutkimuksen tutkijat kehittävät malleja näiden prosessien mekanismeista, jotta voimme paremmin ymmärtää aivoja. Nämä mallit auttavat meitä saamaan syvemmän ymmärryksen biologisesta informaatioprosessoinnista, ja ne ovat avainasemassa koneiden nopeamman oppimisen mahdollistamisessa.

”Evoluutioalgoritmit”

Bernin yliopiston fysiologian instituutin tutkijat ovat nyt kehittäneet uuden lähestymistavan, joka perustuu ”evoluutioalgoritmeihin”. Nämä tietokoneohjelmat etsivät ratkaisuja jäljitelmällä biologisen evoluution prosessia.

Tutkimusryhmää johti Bernin yliopiston fysiologian instituutin ja Heidelbergin yliopiston Kirchhoff-instituutin Dr. Mihai Petrovici.

Tutkimus julkaistiin eLife-lehdessä eLife.

Kaikki tämä tarkoittaa biologista sopeutumista, joka on eliön sopeutumista ympäristöönsä, ja se voidaan mallintaa evoluutioalgoritmeilla. Nämä algoritmit arvioivat ehdokasratkaisun ”sopeutumista” sen perusteella, kuinka hyvin se pystyy ratkaisemaan perusongelman.

Kolme oppimisskenaariota

Uusi lähestymistapa on kutsuttu ”evoluutioon perustuvaksi oppimiseksi” tai ”sopeutumiseksi”. Tutkijaryhmä keskittyi kolmeen tyypilliseen oppimisskenaarioon, joista ensimmäisessä tietokone joutui tunnistamaan toistuvan kuvion jatkuvasta syötestreamista ilman palautetta suorituskyvystään.

Toisessa skenaariossa tietokone sai virtuaalisia palkintoja, kun se suoritti toivottuja toimintoja.

Kolmannessa skenaariossa ”ohjattu oppiminen” tietokoneelle kerrottiin tarkalleen, kuinka paljon sen käyttäytyminen poikkesi toivotusta käyttäytymisestä.

Bernin yliopiston fysiologian instituutin Dr. Jakob Jordan on vastaava ja yhden ensimmäisen tekijän tekijä.

”Kaikissa näissä skenaarioissa evoluutioalgoritmit pystyivät löytämään synaptisen plasticiteetin mekanismeja ja ratkaisemaan onnistuneesti uuden tehtävän”, Dr. Jordan sanoi.

Algoritmit osoittivat vahvaa luovuutta.

Dr. Maximilian Schmidt on tutkimuksen yhden ensimmäisen tekijän tekijä.

”Esimerkiksi algoritmi löysi uuden plasticiteettimallin, jossa määrittelemämme signaalit yhdistettiin uudeksi signaaliksi. Todellisuudessa havaitsemme, että verkot, jotka käyttävät tätä uutta signaalia, oppivat nopeammin kuin aiemmin tunnetuilla säännöillä”, Dr. Schmidt sanoi.

“Me näemme E2L:n lupaavana lähestymistapana saada syvemmät ymmärrykset biologisista oppimisperiaatteista ja kiihdyttää edistystä voimakkaiden tekoälykoneiden kehittämiseen”, Petrovoci sanoi.

“Toivomme, että se kiihdyttää tutkimusta hermoston synaptisessa plasticiteetissa”, Dr. Jordan kommentoi.

Tutkijaryhmä sanoo, että uudet löydökset antavat syvemmän ymmärryksen siitä, miten terveet ja sairaat aivot toimivat, ja ne voivat auttaa kehittämään älykkäitä koneita, jotka voivat sopeutua käyttäjiinsä.