Peneliti Mengusulkan Pendekatan Baru dengan “Algoritma Evolusioner”

Sementara komputer saat ini biasanya melakukan tindakan yang telah diprogram sebelumnya, 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 ilmu saraf dan kecerdasan buatan (AI) mengembangkan model untuk mekanisme proses dasar ini untuk lebih memahami otak. Model ini membantu kita memperoleh wawasan tentang pengolahan 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 penelitian 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 suatu organisme beradaptasi dengan lingkungannya, dapat menjadi model untuk algoritma evolusioner. Dengan algoritma ini, “kebugaran” dari solusi kandidat bergantung pada seberapa baik solusi itu dapat menyelesaikan masalah dasar.

Tiga Skenario Pembelajaran

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

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

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

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

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

Algoritma ini menunjukkan kreativitas yang kuat.

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

“Sebagai contoh, algoritma menemukan model plastisitas baru di mana sinyal yang kita definisikan digabungkan untuk membentuk sinyal baru. Faktanya, kita melihat bahwa jaringan yang menggunakan sinyal baru ini belajar lebih cepat daripada dengan aturan yang sebelumnya diketahui,” 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 yang kuat,” kata Petrovoci.

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

Tim ini 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.