De kracht van neuronale diversiteit: een sprong in AI-efficiëntie en prestaties

De rol van diversiteit is een onderwerp van discussie in verschillende gebieden, van biologie tot sociologie. Echter, een recente studie van de Nonlinear Artificial Intelligence Laboratory (NAIL) van de North Carolina State University opent een intrigerende dimensie voor deze discussie: diversiteit binnen kunstmatige intelligentie (AI) neurale netwerken.

De kracht van zelfreflectie: het afstemmen van neurale netwerken intern

William Ditto, professor in de natuurkunde aan NC State en directeur van NAIL, en zijn team bouwden een AI-systeem dat “naar binnen kan kijken” en zijn neurale netwerk kan aanpassen. Het proces stelt de AI in staat om het aantal, de vorm en de verbindingsterkte tussen zijn neuronen te bepalen, waardoor sub-netwerken met verschillende neuronale typen en sterktes mogelijk worden.

“We hebben een testsysteem gemaakt met een niet-menselijke intelligentie, een kunstmatige intelligentie, om te zien of de AI diversiteit boven het gebrek aan diversiteit zou kiezen en of zijn keuze de prestaties van de AI zou verbeteren,” zegt Ditto. “De sleutel was de AI de mogelijkheid geven om naar binnen te kijken en te leren hoe hij leert.”

In tegenstelling tot conventionele AI die statische, identieke neuronen gebruikt, heeft Ditto’s AI de “bedieningsknop voor zijn eigen brein”, waardoor het kan deelnemen aan meta-lernen, een proces dat zijn leer capaciteit en probleemoplossende vaardigheden verhoogt. “Onze AI kon ook kiezen tussen diverse of homogene neuronen,” zegt Ditto, “En we vonden dat in elk geval de AI diversiteit koos als een manier om zijn prestaties te versterken.”

Progressie van conventionele kunstmatige neurale netwerken naar diverse neurale netwerken naar geleerde diverse neurale netwerken. Lijn diktes vertegenwoordigen gewichten

Prestatiemetingen: diversiteit overtreft uniformiteit

Het onderzoeksteam mat de prestaties van de AI met een standaard numerieke classificatie-oefening en vond opmerkelijke resultaten. Conventionele AI’s, met hun statische en homogene neurale netwerken, behaalden een nauwkeurigheid van 57%. In tegenstelling daarmee bereikte de meta-lerende, diverse AI een verbluffende 70% nauwkeurigheid.

Volgens Ditto toont de diversiteit-gebaseerde AI tot 10 keer meer nauwkeurigheid bij het oplossen van complexe taken, zoals het voorspellen van de beweging van een slinger of de beweging van sterrenstelsels. “Inderdaad, we zagen ook dat naarmate de problemen complexer en chaotischer worden, de prestaties nog dramatischer verbeteren ten opzichte van een AI die diversiteit niet omarmt,” legt hij uit.

De implicaties: een paradigma-shift in AI-ontwikkeling

De resultaten van deze studie hebben verstrekkende implicaties voor de ontwikkeling van AI-technologieën. Ze suggereren een paradigma-shift van de momenteel dominante ‘one-size-fits-all’ neurale netwerkmodellen naar dynamische, zelf-aanpasbare modellen.

“We hebben aangetoond dat als je een AI de mogelijkheid geeft om naar binnen te kijken en te leren hoe hij leert, hij zijn interne structuur – de structuur van zijn kunstmatige neuronen – zal veranderen om diversiteit te omarmen en zijn vermogen om te leren en problemen efficiënt en nauwkeurig op te lossen te verbeteren,” concludeert Ditto. Dit kan vooral relevant zijn in toepassingen die hoge niveaus van aanpasbaarheid en leren vereisen, van autonome voertuigen tot medische diagnostiek.

Deze studie werpt niet alleen een licht op de intrinsieke waarde van diversiteit, maar opent ook nieuwe wegen voor AI-onderzoek en -ontwikkeling, onderstrepend de noodzaak voor dynamische en aanpasbare neurale architectuur. Met voortdurende steun van het Office of Naval Research en andere samenwerkingspartners wordt de volgende fase van onderzoek met spanning verwacht.

Door de principes van diversiteit intern te omarmen, kunnen AI-systemen aanzienlijk winst behalen in termen van prestaties en probleemoplossende vaardigheden, mogelijk onze aanpak van machine learning en AI-ontwikkeling revolutionerend.