Mengadopsi Keanekaragaman Neuron: Lompatan dalam Efisiensi dan Kinerja AI

Peran keanekaragaman telah menjadi subjek diskusi di berbagai bidang, dari biologi hingga sosiologi. Namun, sebuah studi terbaru dari Laboratorium Kecerdasan Buatan Nonlinier Universitas North Carolina State (NAIL) membuka dimensi menarik dalam diskusi ini: keanekaragaman dalam jaringan saraf kecerdasan buatan (AI).

Kekuatan Refleksi Diri: Menyetel Jaringan Saraf Internally

William Ditto, profesor fisika di NC State dan direktur NAIL, dan timnya membangun sistem AI yang dapat “memandang ke dalam” dan menyesuaikan jaringan sarafnya. Proses ini memungkinkan AI untuk menentukan jumlah, bentuk, dan kekuatan koneksi antara neuronnya, menawarkan potensi untuk sub-jaringan dengan jenis neuron dan kekuatan yang berbeda.

“Kami membuat sistem uji dengan kecerdasan non-manusia, kecerdasan buatan, untuk melihat apakah AI akan memilih keanekaragaman daripada kurangnya keanekaragaman dan apakah pilihan itu akan meningkatkan kinerja AI,” kata Ditto. “Kunci utamanya adalah memberi AI kemampuan untuk memandang ke dalam dan belajar bagaimana ia belajar.”

Berbeda dengan AI konvensional yang menggunakan neuron statis dan identik, AI Ditto memiliki “knob kontrol untuk otaknya sendiri”, memungkinkan ia untuk terlibat dalam meta-pembelajaran, proses yang meningkatkan kapasitas pembelajaran dan kemampuan pemecahan masalahnya. “AI kami juga dapat memutuskan antara neuron yang beragam atau homogen,” kata Ditto, “Dan kami menemukan bahwa dalam setiap instance AI memilih keanekaragaman sebagai cara untuk meningkatkan kinerjanya.”

Perkembangan dari jaringan saraf kecerdasan buatan konvensional ke jaringan saraf yang beragam ke jaringan saraf yang dipelajari yang beragam. Ketebalan garis mewakili bobot

Metrik Kinerja: Keanekaragaman Mengalahkan Seragam

Tim penelitian mengukur kinerja AI dengan latihan klasifikasi numerik standar dan menemukan hasil yang luar biasa. AI konvensional, dengan jaringan saraf statis dan homogen, mencapai tingkat akurasi 57%. Sebaliknya, AI meta-pembelajaran yang beragam mencapai tingkat akurasi yang mencengangkan 70%.

Menurut Ditto, AI yang berbasis keanekaragaman menunjukkan akurasi hingga 10 kali lebih tinggi dalam memecahkan tugas yang lebih kompleks, seperti memprediksi ayunan bandul atau gerakan galaksi. “Memang, kami juga mengamati bahwa ketika masalah menjadi lebih kompleks dan kacau, kinerja meningkat secara dramatis dibandingkan dengan AI yang tidak mengadopsi keanekaragaman,” ia menjelaskan.

Implikasi: Perubahan Paradigma dalam Pengembangan AI

Temuan dari studi ini memiliki implikasi yang luas untuk pengembangan teknologi AI. Mereka menunjukkan perubahan paradigma dari model jaringan saraf “satu-ukuran-untuk-semua” yang saat ini berlaku ke model yang dinamis dan dapat disesuaikan.

“Kami telah menunjukkan bahwa jika Anda memberi AI kemampuan untuk memandang ke dalam dan belajar bagaimana ia belajar, maka AI akan mengubah struktur internalnya – struktur neuron buatannya – untuk mengadopsi keanekaragaman dan meningkatkan kemampuan belajar dan memecahkan masalah dengan efisien dan akurat,” kata Ditto. Ini bisa sangat penting dalam aplikasi yang memerlukan tingkat adaptasi dan pembelajaran yang tinggi, dari kendaraan otonom hingga diagnosa medis.

Penelitian ini tidak hanya memperlihatkan nilai intrinsik dari keanekaragaman tetapi juga membuka jalur baru untuk penelitian dan pengembangan AI, menekankan kebutuhan akan arsitektur jaringan saraf yang dinamis dan dapat disesuaikan. Dengan dukungan yang berkelanjutan dari Office of Naval Research dan kolaborator lain, fase penelitian berikutnya sangat dinantikan.

Dengan mengadopsi prinsip keanekaragaman secara internal, sistem AI dapat memperoleh manfaat yang signifikan dalam hal kinerja dan kemampuan pemecahan masalah, potensial merevolusi pendekatan kita terhadap pembelajaran mesin dan pengembangan AI.