ປັນຍາປະດິດ

AI ອີງໃສ່ Dynamics ສະຫມອງຊ້າ

ການປັບປຸງ on ເດືອນທັນວາ 9, 2022

ນັກວິທະຍາສາດຢູ່ມະຫາວິທະຍາໄລ Bar-llan ໃນອິດສະລາແອນໄດ້ນໍາໃຊ້ການທົດລອງຂັ້ນສູງກ່ຽວກັບວັດທະນະທໍາ neural ແລະ simulations ຂະຫນາດໃຫຍ່ເພື່ອສ້າງປັນຍາປະດິດໃຫມ່ ultrafast. AI ໃຫມ່ແມ່ນອີງໃສ່ການເຄື່ອນໄຫວຂອງສະຫມອງທີ່ຊ້າໆຂອງມະນຸດ. ການເຄື່ອນໄຫວຂອງສະໝອງເຫຼົ່ານັ້ນມີອັດຕາການຮຽນຮູ້ທີ່ດີຂຶ້ນເມື່ອທຽບກັບວິທີການຮຽນຮູ້ທີ່ດີທີ່ສຸດທີ່ພວກເຮົາມີໃນມື້ນີ້.

ຕົວຈິງແລ້ວການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນມີຄວາມກ່ຽວຂ້ອງກັນຢ່າງແຂງແຮງ ແລະອີງໃສ່ການເຄື່ອນໄຫວຂອງສະໝອງຂອງພວກເຮົາ. ດ້ວຍຄວາມໄວຂອງຄອມພິວເຕີທີ່ທັນສະໄຫມແລະຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ຂອງພວກເຂົາ, ພວກເຮົາສາມາດສ້າງສູດການຄິດໄລ່ການຮຽນຮູ້ເລິກທີ່ຄ້າຍຄືກັບຜູ້ຊ່ຽວຊານຂອງມະນຸດໃນຫຼາຍໆດ້ານ. ຢ່າງໃດກໍຕາມ, ສູດການຄິດໄລ່ການຮຽນຮູ້ເຫຼົ່ານີ້ມີລັກສະນະທີ່ແຕກຕ່າງກັນກ່ວາສະຫມອງຂອງມະນຸດ.

ທີມນັກວິທະຍາສາດຂອງມະຫາວິທະຍາໄລໄດ້ພິມເຜີຍແຜ່ວຽກງານຂອງພວກເຂົາໃນວາລະສານ ບົດລາຍງານວິທະຍາສາດ. ພວກເຂົາເຈົ້າໄດ້ເຮັດວຽກເພື່ອເຊື່ອມຕໍ່ neuroscience ແລະ algorithms ປັນຍາປະດິດທີ່ກ້າວຫນ້າ, ພາກສະຫນາມທີ່ຖືກປະຖິ້ມໄວ້ສໍາລັບທົດສະວັດ.

ສາດສະດາຈານ Ido Kanter ຈາກພາກວິຊາຟີຊິກສາດຂອງມະຫາວິທະຍາໄລ Bar-llan ແລະ Gonda (Goldschmied) Multidisciplinary Brain Research Study, ແລະຜູ້ຂຽນຊັ້ນນໍາຂອງການສຶກສາ, ໄດ້ສະແດງຄວາມຄິດເຫັນກ່ຽວກັບສອງສາຂາ.

ທ່ານກ່າວວ່າ "ທັດສະນະທາງວິທະຍາສາດແລະເຕັກໂນໂລຢີໃນປະຈຸບັນແມ່ນວ່າ neurobiology ແລະການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນສອງວິຊາທີ່ແຕກຕ່າງກັນທີ່ກ້າວໄປຂ້າງຫນ້າຢ່າງເປັນເອກະລາດ," ລາວເວົ້າ. "ການຂາດອິດທິພົນເຊິ່ງກັນແລະກັນແມ່ນສັບສົນ."

"ຈໍານວນຂອງ neurons ໃນສະຫມອງແມ່ນຫນ້ອຍກ່ວາຈໍານວນຂອງບິດໃນຂະຫນາດແຜ່ນປົກກະຕິຂອງຄອມພິວເຕີສ່ວນບຸກຄົນທີ່ທັນສະໄຫມ, ແລະຄວາມໄວການຄິດໄລ່ຂອງສະຫມອງແມ່ນຄ້າຍຄືມືສອງໃນໂມງ, ເຖິງແມ່ນວ່າຊ້າກ່ວາຄອມພິວເຕີທໍາອິດ invented ໃນໄລຍະ 70. ປີທີ່ຜ່ານມາ,” ລາວເວົ້າ.

"ນອກຈາກນັ້ນ, ກົດລະບຽບການຮຽນຮູ້ຂອງສະຫມອງແມ່ນສັບສົນຫຼາຍແລະຫ່າງໄກຈາກຫຼັກການຂອງຂັ້ນຕອນການຮຽນຮູ້ໃນ algorithms ປັນຍາປະດິດໃນປະຈຸບັນ."

ສາດສະດາຈານ Kanter ເຮັດວຽກກັບທີມງານຄົ້ນຄ້ວາລວມທັງ Herut Uzan, Shira Sardi, Amir Goldental, ແລະ Roni Vardi.

ໃນເວລາທີ່ມັນມາກັບການເຄື່ອນໄຫວຂອງສະຫມອງ, ພວກເຂົາເຈົ້າຈັດການກັບວັດສະດຸປ້ອນ asynchronous ນັບຕັ້ງແຕ່ຄວາມເປັນຈິງທາງດ້ານຮ່າງກາຍມີການປ່ຽນແປງແລະພັດທະນາ. ເນື່ອງຈາກວ່ານີ້, ບໍ່ມີການ synchronization ສໍາລັບຈຸລັງເສັ້ນປະສາດ. ອັນນີ້ແຕກຕ່າງກັນກັບສູດການຄິດໄລ່ທາງປັນຍາທຽມ ເນື່ອງຈາກພວກມັນອີງໃສ່ການປ້ອນຂໍ້ມູນເຂົ້າກັນ. ການປ້ອນຂໍ້ມູນທີ່ແຕກຕ່າງກັນພາຍໃນກອບດຽວກັນ ແລະເວລາຂອງພວກມັນຖືກລະເລີຍຕາມປົກກະຕິ.

ສາດສະດາຈານ Kanter ໄດ້ສືບຕໍ່ອະທິບາຍເຖິງການເຄື່ອນໄຫວນີ້.

“ເມື່ອເບິ່ງໄປຂ້າງໜ້າ ຄົນໃດກໍສັງເກດເຫັນກອບທີ່ມີວັດຖຸຫຼາຍອັນ. ຕົວຢ່າງເຊັ່ນ, ໃນຂະນະທີ່ຂັບລົດຄົນຫນຶ່ງສັງເກດເຫັນລົດ, ເສັ້ນທາງຍ່າງຂ້າມທາງ, ແລະປ້າຍຖະຫນົນ, ແລະສາມາດກໍານົດຄໍາສັ່ງຊົ່ວຄາວແລະຕໍາແຫນ່ງພີ່ນ້ອງຂອງພວກເຂົາໄດ້ຢ່າງງ່າຍດາຍ,” ລາວເວົ້າ. "ຮາດແວທາງຊີວະພາບ (ກົດລະບຽບການຮຽນຮູ້) ຖືກອອກແບບມາເພື່ອຈັດການກັບວັດສະດຸປ້ອນ asynchronous ແລະປັບປຸງຂໍ້ມູນທີ່ກ່ຽວຂ້ອງຂອງພວກເຂົາ."

ຫນຶ່ງໃນຈຸດທີ່ການສຶກສານີ້ເຮັດແມ່ນວ່າອັດຕາການຮຽນຮູ້ໄວທີ່ສຸດແມ່ນປະມານດຽວກັນບໍ່ວ່າຈະເປັນເຄືອຂ່າຍຂະຫນາດນ້ອຍຫຼືຂະຫນາດໃຫຍ່. ອີງຕາມນັກຄົ້ນຄວ້າ, "ຂໍ້ເສຍຂອງລະບົບການຮຽນຮູ້ຂອງສະຫມອງທີ່ສັບສົນແມ່ນຕົວຈິງແລ້ວຜົນປະໂຫຍດ."

ການສຶກສາຍັງສະແດງໃຫ້ເຫັນວ່າການຮຽນຮູ້ສາມາດເກີດຂຶ້ນໄດ້ໂດຍບໍ່ມີການຮຽນຮູ້ຂັ້ນຕອນ. ມັນສາມາດບັນລຸໄດ້ໂດຍຜ່ານການປັບຕົວດ້ວຍຕົນເອງໂດຍອີງໃສ່ວັດສະດຸປ້ອນ asynchronous. ໃນສະຫມອງຂອງມະນຸດ, ປະເພດຂອງການຮຽນຮູ້ນີ້ເກີດຂື້ນໃນ dendrites, ເຊິ່ງເປັນສ່ວນຂະຫຍາຍສັ້ນຂອງຈຸລັງເສັ້ນປະສາດ, ແລະຈຸດເຊື່ອມຕໍ່ທີ່ແຕກຕ່າງກັນຂອງແຕ່ລະ neuron. ນີ້ໄດ້ຖືກສັງເກດເຫັນກ່ອນ. ກ່ອນຫນ້ານີ້, ມັນໄດ້ຖືກເຊື່ອວ່າບໍ່ສໍາຄັນວ່າການເຄື່ອນໄຫວຂອງເຄືອຂ່າຍພາຍໃຕ້ການຮຽນຮູ້ dendeitic ຖືກຄວບຄຸມໂດຍນ້ໍາຫນັກທີ່ອ່ອນແອ.

ການຄົ້ນຄວ້າແລະການຄົ້ນພົບໃຫມ່ນີ້ສາມາດຫມາຍຄວາມວ່າມີຫຼາຍສິ່ງທີ່ແຕກຕ່າງກັນ. ຂັ້ນຕອນການຮຽນຮູ້ເລິກທີ່ມີປະສິດທິພາບເຫຼົ່ານີ້ແລະຄວາມຄ້າຍຄືກັນກັບການເຄື່ອນໄຫວຂອງສະຫມອງທີ່ຊ້າຫຼາຍສາມາດຊ່ວຍສ້າງຊັ້ນຮຽນໃຫມ່ຂອງປັນຍາປະດິດຂັ້ນສູງທີ່ມີຄອມພິວເຕີໄວ.

ການສຶກສາຍັງຊຸກຍູ້ການຮ່ວມມືລະຫວ່າງສາຂາຂອງ neurobiology ແລະປັນຍາປະດິດ, ເຊິ່ງສາມາດຊ່ວຍໃຫ້ທັງສອງສາຂາກ້າວໄປຂ້າງຫນ້າ. ອີງຕາມກຸ່ມຄົ້ນຄ້ວາ, "ຄວາມເຂົ້າໃຈຂອງຫຼັກການພື້ນຖານຂອງສະຫມອງຂອງພວກເຮົາຕ້ອງເປັນສູນກາງຂອງປັນຍາປະດິດໃນອະນາຄົດ."