์ธ๊ณต์ง๋ฅ
์ฐ๊ตฌ์๋ค, “์งํ ์๊ณ ๋ฆฌ์ฆ”์ผ๋ก ์๋ก์ด ์ ๊ทผ๋ฒ ์ ์
현재 우리의 컴퓨터는 일반적으로 미리 프로그래밍된 동작을 수행하지만, 이는 우리의 뇌와는 대조를 이루는데, 우리의 뇌는 매우 적응성이 높다. 우리의 적응성은 시냅스 가소성에 크게 의존하며, 시냅스는 신경 세포 간의 연결점이다. 신경 과학자들은 시냅스 가소성이 학습 과정과 기억에 핵심이기 때문에 시냅스 가소성에 깊이 관심을 가지고 있다.
신경 과학 및 인공 지능(AI) 분야의 연구자들은 이러한 기본적인 과정의 메커니즘에 대한 모델을 개발하여 뇌를 더 잘 이해하기 위해 노력하고 있다. 이러한 모델은 생물학적 정보 처리에 대한 통찰력을 얻는 데 도움이 되며, 기계가 더 빠르게 학습하는 데 핵심이다.
“진화 알고리즘”
베른 대학교 생리학 연구소의 연구자들은 이제 “진화 알고리즘”에 기반한 새로운 접근법을 개발했으며, 이러한 컴퓨터 프로그램은 생물학적 진화를 모방하여 해결책을 찾는다.
연구 팀은 베른 대학교 생리학 연구소의 Mihai Petrovici 박사와 하이델베르크 대학교 물리학 연구소의 Kirchhoff 연구소가 이끌었다.
이 연구는 eLife 저널에 발표되었다.
이 모든 것은 생물학적 적합도(biological fitness)를 의미하며, 이는 유기체가 환경에 얼마나 잘 적응하는지를 나타낸다. 이는 진화 알고리즘의 모델이 될 수 있다. 이러한 알고리즘에서 후보 해결책의 “적합도”는 기본 문제를 얼마나 잘 해결하는지에 따라 달라진다.
세 가지 학습 시나리오
새로운 접근법은 “evolving-to-learn” 또는 “becoming adaptive”라고 불린다. 팀은 세 가지 일반적인 학습 시나리오에 초점을 맞췄는데, 첫 번째 시나리오는 컴퓨터가 피드백 없이 연속적인 입력 스트림에서 반복되는 패턴을 감지해야 하는 경우였다.
두 번째 시나리오는 컴퓨터가 원하는 동작을 수행할 때 가상 보상을 받는 경우였다.
세 번째 시나리오는 “가이드 학습”으로, 컴퓨터가 정확히 얼마나 원하는 동작에서 벗어났는지 알려주는 경우였다.
베른 대학교 생리학 연구소의 Jakob Jordan 박사는 공동 저자이자 공동 제1저자이다.
“이 모든 시나리오에서 진화 알고리즘은 시냅스 가소성의 메커니즘을 발견하여 새로운 작업을 성공적으로 해결했다”라고 Jordan 박사는 말했다.
알고리즘은 강한 창의력을 보여주었다.
Maximilian Schmidt 박사는 연구의 공동 제1저자이다.
“예를 들어, 알고리즘은 우리가 정의한 신호를 결합하여 새로운 신호를 형성하는 새로운 가소성 모델을 발견했다. 실제로 우리는 이 새로운 신호를 사용하는 네트워크가 이전에 알려진 규칙보다 더 빠르게 학습한다는 것을 관찰했다”라고 Schmidt 박사는 말했다.
“우리는 E2L을 생물학적 학습 원리에 대한 깊은 통찰력을 얻고 강력한 인공 학습 기계의 발전에 기여하는 것으로 본다”라고 Petrovoci는 말했다.
“우리는 이것이 신경계의 시냅스 가소성 연구를 가속화하는 데 도움이 될 것”이라고 Jordan 박사는 말했다.
팀은 새로운 발견이 정상적인 뇌와 질병에 걸린 뇌의 작동 방식에 대한 더 깊은 통찰력을 제공할 것이며, 사용자에게 적응할 수 있는 지능형 기계의 개발을 도와줄 수 있을 것이라고 말했다.
