ხელოვნური ინტელექტი
ალგორითმი ხსნის კომპლექსურ სასწავლო ამოცანებს ექსტრემალური ენერგოეფექტურობით
ინტერდისციპლინურმა კვლევითმა ჯგუფმა მიაღწია მნიშვნელოვან პროგრესს მანქანის შემუშავებაში, რომელსაც შეუძლია ინფორმაციის დამუშავება ისევე ეფექტურად, როგორც ადამიანის ტვინი, რომელსაც დიდი ხანია ეძებენ ხელოვნური ინტელექტის სფეროში. გერმანიის ჰაიდელბერგის უნივერსიტეტისა და შვეიცარიის ბერნის უნივერსიტეტის გუნდს ხელმძღვანელობდა დოქტორი მიხაი პეტროვიჩი.
კვლევის შედეგები გამოქვეყნდა ჟურნალში ბუნების მანქანის დაზვერვა.
ბიოლოგიურად შთაგონებული ხელოვნური ნერვული ქსელები
ჯგუფი ეძებდა ბიოლოგიურად შთაგონებულ ხელოვნურ ნერვულ ქსელებს ამ გამოწვევის გადასაჭრელად. Spiking ნერვული ქსელები მიბაძავს ბუნებრივი ნერვული სისტემის სტრუქტურას და ფუნქციას და ისინი განიხილება, როგორც პერსპექტიული კანდიდატი მათი მახასიათებლების გათვალისწინებით, რაც მათ ძლიერ, სწრაფ და ენერგოეფექტურს ხდის. ერთ-ერთი მთავარი გამოწვევა იყო ასეთი რთული სისტემების მომზადება და ახლა გუნდი ახლად დანერგილი ალგორითმით სწორედ ამის გაკეთებას უახლოვდება.
თავის ტვინში არსებული ნეირონები გადასცემენ ინფორმაციას მოკლე ელექტრული იმპულსების გამოყენებით, რომლებსაც მოიხსენიებენ როგორც მწვერვალებს. ეს გამოწვეულია გარკვეული სტიმულის ბარიერის გადაჭარბებისას. ინფორმაციის გაცვლაზე დიდ გავლენას ახდენს როგორც ერთი ნეირონის მწვერვალების წარმოქმნის სიხშირე, ასევე ცალკეული მწვერვალების დროითი თანმიმდევრობა.
ჯულიან გოლცი არის დოქტორანტი კვლევით ჯგუფში.
„ბიოლოგიური სპიკინგის ქსელების მთავარი განსხვავება ხელოვნურ ნერვულ ქსელებთან არის ის, რომ რადგან ისინი იყენებენ მწვერვალზე დაფუძნებულ ინფორმაციის დამუშავებას, მათ შეუძლიათ გადაჭრას რთული ამოცანები, როგორიცაა გამოსახულების ამოცნობა და კლასიფიკაცია ექსტრემალური ენერგოეფექტურობით“, - ამბობს გოლცი.
სრული პოტენციალის მიღწევა
ადამიანის ტვინი და ხელოვნური მკვეთრი ნერვული ქსელები მოითხოვს ცალკეული ნეირონების სწორად დაკავშირებას ერთმანეთთან, რათა მიაღწიონ მათ სრულ პოტენციალს. სწორედ ამიტომ, მკვლევარებს სჭირდებოდათ გამოეკვლიათ, თუ როგორ შეიძლება ტვინიდან შთაგონებული, ან ნეირომორფული სისტემების კორექტირება, რათა სწორად დამუშავდეს სპიკინგი.
ლორა კრინერი კვლევითი ჯგუფის კიდევ ერთი წევრია.
"ეს კითხვა ფუნდამენტურია ბიოლოგიურ მოდელებზე დაფუძნებული ძლიერი ხელოვნური ქსელების განვითარებისთვის", - ამბობს კრინერი.
სპეციალური ალგორითმები უნდა იყოს გამოყენებული, რათა გარანტირებული იყოს, რომ ნეირონები აჩქარებულ ნერვულ ქსელში ამუშავებენ საჭირო დროს და ეს ალგორითმები არეგულირებენ კავშირებს ნეირონებს შორის ისე, რომ ქსელმა შეძლოს საჭირო ამოცანების შესრულება. ეს ამოცანა შეიძლება იყოს სურათების მაღალი სიზუსტით კლასიფიკაციის მსგავსი.
ეს არის ალგორითმის ტიპი, რომელიც გუნდმა შეიმუშავა.
„ამ მიდგომის გამოყენებით, ჩვენ შეგვიძლია ვავარჯიშოთ სპიკერი ნერვული ქსელები, რათა დაშიფრონ და გადასცენ ინფორმაცია ექსკლუზიურად ერთ მწვერვალებში. ამით ისინი აწარმოებენ სასურველ შედეგს განსაკუთრებით სწრაფად და ეფექტურად“, - განმარტავს გოლცი.
მკვლევარებმა ასევე მიაღწიეს წარმატებას ამ ალგორითმით გაწვრთნილი ნერვული ქსელის ფიზიკურ პლატფორმაზე. პლატფორმა იყო BrainScaleS-2 ნეირომორფული აპარატურის პლატფორმა, რომელიც შემუშავებული იყო ჰაიდელბერგის უნივერსიტეტში.
მკვლევარები ამბობენ, რომ BrainScaleS სისტემა ამუშავებს ინფორმაციას ათასჯერ უფრო სწრაფად, ვიდრე ადამიანის ტვინი, ეს ყველაფერი კი გაცილებით ნაკლებ ენერგიას მოითხოვს, ვიდრე ჩვეულებრივი კომპიუტერული სისტემები.
სისტემა არის ევროპის ადამიანის ტვინის პროექტის ნაწილი. პროექტი აერთიანებს ისეთ ტექნოლოგიებს, როგორიცაა ნეირომორფული გამოთვლა ღია პლატფორმაში, სახელწოდებით EBRAINS.
„თუმცა, ჩვენი ნამუშევარი არა მხოლოდ საინტერესოა ნეირომორფული გამოთვლით და ბიოლოგიურად შთაგონებული აპარატურით. ის ასევე აცნობიერებს სამეცნიერო საზოგადოების მოთხოვნას, გადაიტანოს ეგრეთ წოდებული ღრმა სწავლის მიდგომები ნეირომეცნიერებაში და ამით კიდევ უფრო გაამჟღავნოს ადამიანის ტვინის საიდუმლოებები“, - ამბობს. დოქტორი პეტროვიჩი.
