연구원은 "진화 알고리즘"으로 새로운 접근 방식을 제안합니다.

현재의 컴퓨터는 일반적으로 사전 프로그래밍된 작업을 수행하지만 이는 고도로 적응력이 뛰어난 우리의 두뇌와 대조됩니다. 우리의 적응성은 시냅스 가소성에 크게 의존하며 시냅스는 뉴런 간의 연결 지점입니다. 신경과학자들은 시냅스 가소성이 학습 과정과 기억의 핵심이기 때문에 깊은 관심을 가지고 있습니다.

신경과학과 인공지능(AI) 연구자들은 뇌를 더 잘 이해하기 위해 이러한 기본 프로세스의 메커니즘에 대한 모델을 개발합니다. 이러한 모델은 생물학적 정보 처리에 대한 통찰력을 얻는 데 도움이 되며 기계가 더 빨리 학습하도록 돕는 핵심입니다.

"진화 알고리즘"

베른 대학교 생리학 연구소의 연구원들은 이제 "진화 알고리즘"에 기반한 새로운 접근 방식을 개발했으며 이 컴퓨터 프로그램은 생물학적 진화 과정을 모방하여 솔루션을 찾습니다. 

연구팀은 베른 대학 생리학 연구소의 미하이 페트로비치 박사와 하이델베르크 대학의 키르히호프 물리학 연구소가 이끌었다.

이 연구는 저널에 발표 된 eLife.

이 모든 것은 유기체가 환경에 적응하는 정도인 생물학적 적합도가 진화 알고리즘의 모델이 될 수 있음을 의미합니다. 이러한 알고리즘에서 후보 솔루션의 "적합성"은 기본 문제를 얼마나 잘 해결할 수 있는지에 따라 달라집니다. 

세 가지 학습 시나리오

새로운 접근 방식을 "학습을 위한 진화" 또는 "적응하기"라고 합니다. 팀은 세 가지 일반적인 학습 시나리오에 중점을 두었습니다. 첫 번째는 컴퓨터가 성능에 대한 피드백을 받지 않고 연속적인 입력 스트림에서 반복 패턴을 감지해야 하는 것과 관련이 있습니다.

두 번째 시나리오는 원하는 행동을 수행할 때 가상 보상을 받는 컴퓨터와 관련이 있습니다.

세 번째 시나리오는 컴퓨터가 자신의 동작이 원하는 동작에서 얼마나 벗어났는지 정확히 알려주는 "가이드 학습"과 관련이 있습니다.

Jakob Jordan 박사는 베른 대학교 생리학 연구소의 교신 및 공동 제XNUMX저자입니다.

"이러한 모든 시나리오에서 진화 알고리즘은 시냅스 가소성의 메커니즘을 발견할 수 있었고 따라서 새로운 작업을 성공적으로 해결했습니다."라고 Jordan 박사는 말했습니다.

알고리즘은 강력한 창의성을 보여주었습니다.

Maximilian Schmidt 박사는 이 연구의 공동 제XNUMX저자입니다.

“예를 들어 알고리즘은 우리가 정의한 신호가 결합되어 새로운 신호를 형성하는 새로운 가소성 모델을 찾았습니다. 실제로 우리는 이 새로운 신호를 사용하는 네트워크가 이전에 알려진 규칙보다 더 빨리 학습한다는 것을 관찰했습니다.”라고 Schmidt 박사는 말했습니다.

"우리는 E2L을 생물학적 학습 원리에 대한 깊은 통찰력을 얻고 강력한 인공 학습 기계로의 발전을 가속화하는 유망한 접근 방식으로 보고 있습니다."라고 Petrovoci는 말했습니다. 

"우리는 그것이 신경계의 시냅스 가소성에 대한 연구를 가속화하기를 바랍니다."라고 Jordan 박사는 논평했습니다. 

연구팀은 새로운 발견이 건강하고 병든 뇌가 어떻게 작동하는지에 대한 더 깊은 통찰력을 제공할 것이며 사용자에게 적응할 수 있는 지능형 기계의 개발에 도움이 될 것이라고 말했습니다.