Pētnieki izstrādā datora algoritmu, ko iedvesmojusi zīdītāju ožas sistēma

Pētnieki no Kornela universitātes ir izveidojuši datora algoritmu, ko iedvesmojusi zīdītāju ožas sistēma. Zinātnieki jau sen ir meklējuši skaidrojumus par to, kā zīdītāji mācās un identificē smakas. Jaunais algoritms sniedz ieskatu smadzeņu darbībā, un tā izmantošana datora mikroshēmā ļauj ātri un droši apgūt modeļus labāk nekā pašreizējie mašīnmācīšanās modeļi. 

Tomass Klelends ir psiholoģijas profesors un vecākais autors pētījumam ar nosaukumu "Ātra mācīšanās un spēcīga atsaukšana neiromorfā ožas ķēdē”, publicēts Dabas mašīnu inteliģence gada 16. martā.

"Tas ir rezultāts vairāk nekā desmit gadus ilgām grauzēju ožas spuldžu shēmu izpētei un mēģinājumam izdomāt, kā tā darbojas, pievēršot uzmanību lietām, par kurām mēs zinām, ka dzīvnieki spēj paveikt un ko nespēj mūsu mašīnas," sacīja Klīlends. 

"Tagad mēs zinām pietiekami daudz, lai tas darbotos. Mēs esam izveidojuši šo skaitļošanas modeli, pamatojoties uz šo shēmu, lielā mērā vadoties no lietām, ko mēs zinām par bioloģisko sistēmu savienojamību un dinamiku, ”viņš turpināja. "Tad mēs sakām: ja tas tā būtu, tas darbotos. Un interesantā daļa ir tā, ka tas darbojas.

Intel datora mikroshēma

Cleland pievienojās līdzautors Nabils Imams, Intel pētnieks, un kopā viņi izmantoja algoritmu Intel datora mikroshēmā. Mikroshēmu sauc par Loihi, un tā ir neiromorfiska, kas nozīmē, ka tā ir iedvesmota no smadzeņu funkcijām. Mikroshēmai ir digitālās shēmas, kas atdarina veidu, kādā neironi mācās un sazinās. 

Loihi mikroshēma balstās uz paralēliem serdeņiem, kas sazinās, izmantojot atsevišķas tapas, un katrai no šīm smailēm ir ietekme, kas var mainīties atkarībā no vietējās aktivitātes. Tam ir nepieciešamas atšķirīgas algoritmu izstrādes stratēģijas nekā esošajās datoru mikroshēmās. 

Izmantojot neiromorfās datoru mikroshēmas, mašīnas varētu strādāt tūkstoš reižu ātrāk nekā datora centrālās vai grafiskās apstrādes vienības, identificējot modeļus un veicot noteiktus uzdevumus. 

Loihi izpētes mikroshēma var arī palaist noteiktus algoritmus, vienlaikus izmantojot aptuveni tūkstoš reižu mazāk enerģijas nekā tradicionālās metodes. Tas ir labi piemērots algoritmam, kas var pieņemt ievades modeļus no dažādiem sensoriem, ātri un secīgi apgūt modeļus un identificēt katru no jēgpilnajiem modeļiem pat ar spēcīgiem sensoru traucējumiem. Algoritms spēj veiksmīgi identificēt smakas, un to var izdarīt, ja modelis par 80% atšķiras no datora sākotnēji apgūtā modeļa. 

"Signāla modelis ir būtiski iznīcināts," sacīja Klīlends, "taču sistēma spēj to atgūt."

Zīdītāju smadzenes

Zīdītāju smadzenes spēj ļoti labi identificēt un atcerēties smakas, un var būt tūkstošiem ožas receptoru un sarežģītu neironu tīklu, kas strādā, lai analizētu ar smaržām saistītos modeļus. Viena no lietām, ko zīdītāji var paveikt labāk nekā mākslīgā intelekta sistēmas, ir saglabāt to, ko viņi ir iemācījušies, pat pēc jaunu zināšanu iegūšanas. Dziļās mācīšanās pieejās tīkls ir jāiesniedz ar visu uzreiz, jo jauna informācija var ietekmēt vai pat iznīcināt to, ko sistēma iepriekš ir iemācījusies. 

"Kad jūs kaut ko apgūstat, tas neatgriezeniski atšķir neironus, " sacīja Kllends. "Kad jūs apgūstat vienu smaku, interneuroni tiek apmācīti reaģēt uz noteiktām konfigurācijām, tāpēc jūs iegūstat šo segregāciju starpneuronu līmenī. Tāpēc no mašīnas puses mēs to tikai uzlabojam un novelkam stingru līniju.

Cleland runāja par to, kā komanda nāca klajā ar jaunām eksperimentālām pieejām. 

"Kad sākat pētīt bioloģisku procesu, kas kļūst sarežģītāks un sarežģītāks, nekā jūs varat vienkārši nojaust, jums ir jādisciplinē savs prāts ar datora modeli," viņš teica. “Jūs nevarat izplūst cauri tam. Un tas mūs noveda pie vairākām jaunām eksperimentālām pieejām un idejām, kuras mēs nebūtu izdomājuši, tikai to aplūkojot.