ໄອ 101
ວິສະວະກອນຊີວະວິທະຍານຳໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກກັບວົງຈອນຊີວະພາບ
ວິສະວະກອນຊີວະວິທະຍາຢູ່ມະຫາວິທະຍາໄລ Duke ໄດ້ຄິດອອກວິທີການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອສ້າງແບບຈໍາລອງປະຕິສໍາພັນທີ່ເກີດຂຶ້ນລະຫວ່າງຕົວແປທີ່ຊັບຊ້ອນໃນເຊື້ອແບັກທີເຣັຍທີ່ຖືກວິສະວະກໍາ. ຕາມປະເພນີ, ການສ້າງແບບຈໍາລອງປະເພດນີ້ແມ່ນຍາກທີ່ຈະເຮັດສໍາເລັດ, ແຕ່ສູດການຄິດໄລ່ໃຫມ່ເຫຼົ່ານີ້ສາມາດຖືກນໍາໃຊ້ພາຍໃນລະບົບຊີວະພາບຫຼາຍປະເພດ.
ການຄົ້ນຄວ້າໃຫມ່ໄດ້ຖືກຈັດພີມມາຢູ່ໃນວາລະສານ ການສື່ສານທໍາມະຊາດ ໃນເດືອນກັນຍາ 25.
ນັກຄົ້ນຄວ້າຊີວະວິທະຍາໄດ້ເບິ່ງວົງຈອນທາງຊີວະພາບທີ່ຝັງຢູ່ໃນວັດທະນະທໍາເຊື້ອແບັກທີເຣັຍ, ແລະພວກເຂົາສາມາດຄາດຄະເນຮູບແບບວົງ. ວິທີການສ້າງແບບຈໍາລອງແບບໃຫມ່ນີ້ແມ່ນໄວກວ່າວິທີການແບບດັ້ງເດີມ. ໂດຍສະເພາະ, ມັນແມ່ນໄວກວ່າ 30,000 ເທົ່າຂອງຮູບແບບການຄິດໄລ່ໃນປະຈຸບັນ.
ເພື່ອໃຫ້ຖືກຕ້ອງຫຼາຍຂຶ້ນ, ນັກຄົ້ນຄວ້າໄດ້ຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຄືນໃໝ່ຫຼາຍຄັ້ງ. ພວກເຂົາເຈົ້າປຽບທຽບຄໍາຕອບແລະນໍາໃຊ້ມັນຢູ່ໃນລະບົບຊີວະພາບທີສອງ. ລະບົບທີສອງແມ່ນຄອມພິວເຕີ້ທີ່ແຕກຕ່າງຈາກລະບົບທໍາອິດ, ດັ່ງນັ້ນສູດການຄິດໄລ່ບໍ່ໄດ້ຈໍາກັດຢູ່ໃນບັນຫາດຽວ.
Lingchong You ເປັນອາຈານຂອງວິສະວະກໍາຊີວະການແພດຢູ່ Duke.
"ວຽກງານນີ້ໄດ້ຮັບການດົນໃຈໂດຍ Google ສະແດງໃຫ້ເຫັນວ່າເຄືອຂ່າຍ neural ສາມາດຮຽນຮູ້ທີ່ຈະຕີມະນຸດຢູ່ໃນເກມກະດານ Go." ລາວເວົ້າ.
ທ່ານກ່າວວ່າ "ເຖິງແມ່ນວ່າເກມມີກົດລະບຽບທີ່ງ່າຍດາຍ, ມັນມີຄວາມເປັນໄປໄດ້ຫຼາຍເກີນໄປສໍາລັບຄອມພິວເຕີທີ່ຈະຄິດໄລ່ທາງເລືອກຕໍ່ໄປທີ່ດີທີ່ສຸດຢ່າງແນ່ນອນ," "ຂ້ອຍສົງໄສວ່າວິທີການດັ່ງກ່າວສາມາດເປັນປະໂຫຍດໃນການຮັບມືກັບບາງດ້ານຂອງຄວາມສັບສົນທາງຊີວະວິທະຍາທີ່ປະເຊີນຫນ້າກັບພວກເຮົາ."
ການສຶກສາໄດ້ນໍາໃຊ້ຕົວແປຂອງເຊື້ອແບັກທີເຣັຍ 13 ທີ່ແຕກຕ່າງກັນລວມທັງອັດຕາການເຕີບໂຕ, ການແຜ່ກະຈາຍ, ການທໍາລາຍທາດໂປຼຕີນແລະການເຄື່ອນໄຫວຂອງເຊນ. ຄອມພິວເຕີເຄື່ອງດຽວຈະຕ້ອງໃຊ້ເວລາຢ່າງໜ້ອຍ 600 ປີເພື່ອຄຳນວນ XNUMX ຄ່າຕໍ່ພາຣາມິເຕີ, ແຕ່ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໃໝ່ສາມາດເຮັດສຳເລັດພາຍໃນຊົ່ວໂມງ.
ທ່ານ Lingchong You ກ່າວວ່າ "ຕົວແບບທີ່ພວກເຮົາໃຊ້ແມ່ນຊ້າເພາະວ່າມັນຕ້ອງພິຈາລະນາຂັ້ນຕອນລະດັບປານກາງໃນເວລາໃນອັດຕາຂະຫນາດນ້ອຍພຽງພໍທີ່ຈະຖືກຕ້ອງ," Lingchong You ເວົ້າ. “ແຕ່ພວກເຮົາບໍ່ສົນໃຈຂັ້ນຕອນຂັ້ນກາງສະເໝີໄປ. ພວກເຮົາພຽງແຕ່ຕ້ອງການຜົນໄດ້ຮັບທີ່ສຸດສໍາລັບຄໍາຮ້ອງສະຫມັກສະເພາະໃດຫນຶ່ງ. ແລະພວກເຮົາສາມາດ (ກັບໄປ) ຄິດອອກຂັ້ນຕອນກາງຖ້າພວກເຮົາຊອກຫາຜົນໄດ້ຮັບທີ່ຫນ້າສົນໃຈ.”
ສະມາຄົມ Postdoctoral Shangying Wang ໃຊ້ເຄືອຂ່າຍ neural ເລິກທີ່ສາມາດເຮັດໃຫ້ການຄາດຄະເນໄດ້ໄວກວ່າຮູບແບບຕົ້ນສະບັບ. ເຄືອຂ່າຍໃຊ້ຕົວແປແບບຈໍາລອງເປັນການປ້ອນຂໍ້ມູນ, ແລະມັນກໍານົດນ້ໍາຫນັກແລະອະຄະຕິແບບສຸ່ມ. ຫຼັງຈາກນັ້ນ, ມັນເຮັດໃຫ້ການຄາດຄະເນກ່ຽວກັບຮູບແບບທີ່ອານານິຄົມຂອງເຊື້ອແບັກທີເຣັຍຈະປະຕິບັດຕາມ.
ຜົນໄດ້ຮັບທໍາອິດບໍ່ຖືກຕ້ອງ, ແຕ່ເຄືອຂ່າຍປ່ຽນແປງເລັກນ້ອຍແລະຄວາມລໍາອຽງຍ້ອນວ່າມັນໄດ້ຮັບຂໍ້ມູນການຝຶກອົບຮົມໃຫມ່. ເມື່ອມີຂໍ້ມູນການຝຶກອົບຮົມພຽງພໍ, ການຄາດຄະເນຈະຖືກຕ້ອງຫຼາຍຂຶ້ນແລະຢູ່ແບບນັ້ນ.
ມີສີ່ເຄືອຂ່າຍ neural ທີ່ແຕກຕ່າງກັນທີ່ໄດ້ຮັບການຝຶກອົບຮົມ, ແລະຄໍາຕອບຂອງເຂົາເຈົ້າໄດ້ຖືກປຽບທຽບ. ນັກຄົ້ນຄວ້າໄດ້ຄົ້ນພົບວ່າທຸກຄັ້ງທີ່ເຄືອຂ່າຍ neural ເຮັດການຄາດຄະເນທີ່ຄ້າຍຄືກັນ, ພວກເຂົາເຈົ້າແມ່ນຢູ່ໃກ້ກັບຄໍາຕອບທີ່ຖືກຕ້ອງ.
ທ່ານກ່າວວ່າ "ພວກເຮົາພົບວ່າພວກເຮົາບໍ່ ຈຳ ເປັນຕ້ອງກວດສອບແຕ່ລະ ຄຳ ຕອບດ້ວຍຕົວແບບການຄິດໄລ່ມາດຕະຖານທີ່ຊ້າລົງ," ທ່ານເວົ້າ. "ພວກເຮົາໃຊ້ 'ປັນຍາຂອງຝູງຊົນ' ແທນທີ່ຈະເປັນ."
ຫຼັງຈາກຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຮັບການຝຶກອົບຮົມຢ່າງພຽງພໍ, ນັກຄົ້ນຄວ້າຊີວະວິທະຍາໄດ້ນໍາໃຊ້ມັນຢູ່ໃນວົງຈອນຊີວະພາບ. ມີການຈໍາລອງຂໍ້ມູນ 100,000 ທີ່ໃຊ້ໃນການຝຶກອົບຮົມເຄືອຂ່າຍ neural. ໃນບັນດາສິ່ງເຫຼົ່ານັ້ນ, ມີພຽງແຕ່ຫນຶ່ງທີ່ຜະລິດອານານິຄົມຂອງເຊື້ອແບັກທີເຣັຍທີ່ມີສາມແຫວນ, ແຕ່ພວກເຂົາຍັງສາມາດກໍານົດຕົວແປບາງຢ່າງທີ່ມີຄວາມສໍາຄັນ.
"ຕາຫນ່າງ neural ສາມາດຊອກຫາຮູບແບບແລະການໂຕ້ຕອບລະຫວ່າງຕົວແປທີ່ເປັນໄປບໍ່ໄດ້ທີ່ຈະເປີດເຜີຍ," Wang ກ່າວ.
ເພື່ອປິດການສຶກສາ, ນັກຄົ້ນຄວ້າໄດ້ທົດສອບມັນຢູ່ໃນລະບົບຊີວະວິທະຍາທີ່ເຮັດວຽກແບບສຸ່ມ. ຕາມປະເພນີ, ພວກເຂົາຈະຕ້ອງໃຊ້ຕົວແບບຄອມພິວເຕີທີ່ເຮັດຊ້ໍາຕົວກໍານົດການບາງຢ່າງຫຼາຍຄັ້ງຈົນກ່ວາມັນກໍານົດຜົນໄດ້ຮັບທີ່ເປັນໄປໄດ້ທີ່ສຸດ. ລະບົບໃຫມ່ກໍ່ສາມາດເຮັດໄດ້ເຊັ່ນດຽວກັນ, ແລະມັນສະແດງໃຫ້ເຫັນວ່າມັນສາມາດຖືກນໍາໃຊ້ກັບລະບົບຊີວະວິທະຍາທີ່ສັບສົນທີ່ແຕກຕ່າງກັນ.
ປະຈຸບັນ, ນັກຄົ້ນຄວ້າຊີວະວິທະຍາໄດ້ຫັນໄປສູ່ລະບົບຊີວະວິທະຍາທີ່ສັບສົນຫຼາຍ, ແລະພວກເຂົາກໍາລັງເຮັດວຽກໃນການພັດທະນາສູດການຄິດໄລ່ເພື່ອໃຫ້ມີປະສິດທິພາບຫຼາຍຂຶ້ນ.
ທ່ານ Wang ກ່າວວ່າ “ພວກເຮົາໄດ້ຝຶກອົບຮົມເຄືອຂ່າຍປະສາດດ້ວຍ 100,000 ຊຸດຂໍ້ມູນ, ແຕ່ນັ້ນອາດຈະຖືກຂ້າຕາຍເກີນໄປ,”. "ພວກເຮົາກໍາລັງພັດທະນາລະບົບປະສາດທີ່ເຄືອຂ່າຍ neural ສາມາດພົວພັນກັບການຈໍາລອງໃນເວລາຈິງເພື່ອຊ່ວຍໃຫ້ສິ່ງຕ່າງໆໄວຂຶ້ນ."
ທ່ານກ່າວວ່າ“ ເປົ້າ ໝາຍ ທຳ ອິດຂອງພວກເຮົາແມ່ນລະບົບທີ່ຂ້ອນຂ້າງງ່າຍດາຍ. "ດຽວນີ້ພວກເຮົາຕ້ອງການປັບປຸງລະບົບເຄືອຂ່າຍ neural ເຫຼົ່ານີ້ເພື່ອສະຫນອງປ່ອງຢ້ຽມໄປສູ່ການເຄື່ອນໄຫວພື້ນຖານຂອງວົງຈອນຊີວະພາບທີ່ສັບສົນຫຼາຍ."