Peneliti Mengusulkan Pendekatan Baru Dengan “Algoritma Evolusioner”

Sementara komputer saat ini biasanya melakukan tindakan yang telah diprogram sebelumnya, hal ini berbeda dengan otak kita, yang sangat adaptif. Kemampuan adaptasi kita sangat bergantung pada plastisitas sinaptik, dengan sinapsis sebagai titik koneksi antara neuron. Ilmuwan saraf sangat tertarik dengan plastisitas sinaptik karena kunci proses pembelajaran dan memori.

Peneliti di bidang neurosains dan kecerdasan buatan (AI) mengembangkan model untuk mekanisme proses dasar untuk memahami otak dengan lebih baik. Model ini membantu kita memperoleh wawasan tentang pemrosesan informasi biologis, dan mereka kunci untuk membantu mesin belajar lebih cepat.

“Algoritma Evolusioner”

Peneliti di Institut Fisiologi Universitas Bern telah mengembangkan pendekatan baru berdasarkan “algoritma evolusioner,” dan program komputer ini mencari solusi dengan meniru proses evolusi biologis.

Tim peneliti dipimpin oleh Dr. Mihai Petrovici dari Institut Fisiologi Universitas Bern dan Institut Fisika Kirchhoff Universitas Heidelberg.

Studi ini diterbitkan di jurnal eLife.

Semua ini berarti kebugaran biologis, yang merupakan derajat di mana organisme beradaptasi dengan lingkungannya, dapat menjadi model untuk algoritma evolusioner. Dengan algoritma ini, “kebugaran” dari solusi kandidat bergantung pada seberapa baik solusi tersebut dapat memecahkan masalah dasar.

Tiga Skenario Pembelajaran

Pendekatan baru ini disebut “evolving-to-learn” atau “menjadi adaptif.” Tim fokus pada tiga skenario pembelajaran yang khas, yang pertama melibatkan komputer yang harus mendeteksi pola berulang dalam aliran input terus menerus tanpa menerima umpan balik tentang kinerjanya.

Skenario kedua melibatkan komputer menerima hadiah virtual ketika melakukan perilaku yang diinginkan.

Skenario ketiga melibatkan “pembelajaran yang dipandu” di mana komputer diberitahu seberapa jauh perilakunya menyimpang dari yang diinginkan.

Dr. Jakob Jordan adalah penulis koresponden dan ko-penulis pertama dari Institut Fisiologi Universitas Bern.

“Dalam semua skenario ini, algoritma evolusioner dapat menemukan mekanisme plastisitas sinaptik, dan dengan demikian berhasil memecahkan tugas baru,” kata Dr. Jordan.

Algoritma menunjukkan kreativitas yang kuat.

Dr. Maximilian Schmidt adalah ko-penulis pertama dari studi ini.

“Misalnya, algoritma menemukan model plastisitas baru di mana sinyal yang kami definisikan digabungkan untuk membentuk sinyal baru. Faktanya, kami mengamati bahwa jaringan yang menggunakan sinyal baru ini belajar lebih cepat daripada dengan aturan yang sudah diketahui sebelumnya,” kata Dr. Schmidt.

“Kami melihat E2L sebagai pendekatan yang menjanjikan untuk memperoleh wawasan mendalam tentang prinsip-prinsip pembelajaran biologis dan mempercepat kemajuan menuju mesin pembelajaran buatan yang kuat,” kata Petrovoci.

“Kami berharap itu akan mempercepat penelitian tentang plastisitas sinaptik di sistem saraf,” komentari Dr. Jordan.

Tim mengatakan bahwa temuan baru ini akan memberikan wawasan yang lebih dalam tentang bagaimana otak sehat dan sakit bekerja, dan mereka dapat membantu dalam pengembangan mesin pintar yang dapat beradaptasi dengan pengguna.