AI op basis van trage hersendynamica

Wetenschappers aan de Bar-llan Universiteit in Israël hebben met behulp van geavanceerde experimenten op neurale culturen en grootschalige simulaties een nieuwe ultrasnelle kunstmatige intelligentie gemaakt. De nieuwe AI is gebaseerd op de trage hersendynamica van de mens. Deze hersendynamica hebben betere leertarieven in vergelijking met de beste leeralgoritmes die we vandaag hebben.

Machine learning is eigenlijk sterk verwant en gebaseerd op de dynamica van onze hersenen. Met de snelheid van moderne computers en hun grote datasets hebben we in staat zijn om diepe leeralgoritmes te creëren die vergelijkbaar zijn met menselijke experts in verschillende verschillende gebieden. Echter, deze leeralgoritmes hebben andere kenmerken dan de menselijke hersenen.

Het team van wetenschappers aan de universiteit publiceerde hun werk in het tijdschrift Scientific Reports. Ze werkten aan het verbinden van neurobiologie en geavanceerde kunstmatige intelligentie-algoritmes, een gebied dat al decennia lang verlaten was.

Professor Ido Kanter van de afdeling Fysica van de Bar-llan Universiteit en de Gonda (Goldschmied) Multidisciplinaire Hersenonderzoekstudie, en de leidende auteur van de studie, merkte op over de twee gebieden.

“Het huidige wetenschappelijke en technologische standpunt is dat neurobiologie en machine learning twee afzonderlijke disciplines zijn die onafhankelijk vooruitgaan,” zei hij. “De afwezigheid van verwachte wederzijdse invloed is verwarrend.”

“Het aantal neuronen in de hersenen is minder dan het aantal bits in een typische schijfgrootte van moderne persoonlijke computers, en de berekeningsnelheid van de hersenen is als de secondewijzer op een klok, zelfs langzamer dan de eerste computer die meer dan 70 jaar geleden is uitgevonden,” zei hij.

“Bovendien zijn de leerrechten van de hersenen zeer ingewikkeld en ver verwijderd van de principes van de leestappen in de huidige kunstmatige intelligentie-algoritmes.”

Professor Kanter werkt met een onderzoeksteam, waaronder Herut Uzan, Shira Sardi, Amir Goldental en Roni Vardi.

Wanneer het gaat om hersendynamica, hebben ze te maken met asynchrone invoer omdat de fysieke realiteit verandert en zich ontwikkelt. Door dit, is er geen synchronisatie voor de zenuwcellen. Dit is anders met kunstmatige intelligentie-algoritmes, omdat ze gebaseerd zijn op synchrone invoer. Verschillende invoer binnen hetzelfde kader en hun timing worden meestal genegeerd.

Professor Kanter legde deze dynamica verder uit.

“Wanneer je vooruit kijkt, zie je onmiddellijk een kader met meerdere objecten. Bijvoorbeeld, terwijl je rijdt, zie je auto’s, voetgangersoversteekplaatsen en verkeersborden, en kun je gemakkelijk hun tijdelijke volgorde en relatieve posities identificeren,” zei hij. “Biologische hardware (leerrechten) is ontworpen om asynchrone invoer te verwerken en hun relatieve informatie te verfijnen.”

Een van de punten die deze studie maakt, is dat ultrasnelle leertarieven ongeveer hetzelfde zijn, of het nu een klein of groot netwerk is. Volgens de onderzoekers, “is het nadeel van het ingewikkelde leerschema van de hersenen eigenlijk een voordeel.”

De studie toont ook aan dat leren kan plaatsvinden zonder leestappen. Het kan worden bereikt door zelfaanpassing op basis van asynchrone invoer. In de menselijke hersenen gebeurt dit type leren in de dendrieten, die korte uitbreidingen van zenuwcellen zijn, en verschillende terminals van elke neuron. Dit is eerder waargenomen. Eerder werd aangenomen dat het onbelangrijk was dat netwerkdynamica onder dendritische leren worden gecontroleerd door zwakke gewichten.

Dit nieuwe onderzoek en de resultaten kunnen veel verschillende dingen betekenen. Deze efficiënte diepe leeralgoritmes en hun overeenkomst met de zeer trage hersendynamica kunnen helpen bij het creëren van een nieuwe klasse geavanceerde kunstmatige intelligentie met snelle computers.

De studie dringt ook aan op samenwerking tussen de gebieden van neurobiologie en kunstmatige intelligentie, die beide gebieden kunnen helpen verder te ontwikkelen. Volgens de onderzoeksgroep, “moeten de inzichten van de fundamentele principes van onze hersenen opnieuw centraal staan in de toekomstige kunstmatige intelligentie.”