Neuronale diversiteit omarmen: een sprong in AI-efficiëntie en prestaties

De rol van diversiteit is een onderwerp van discussie geweest op verschillende terreinen, van biologie tot sociologie. Echter een recente studies van het Nonlinear Artificial Intelligence Laboratory (NAIL) van de North Carolina State University opent een intrigerende dimensie aan dit discours: diversiteit binnen neurale netwerken van kunstmatige intelligentie (AI).

De kracht van zelfreflectie: neurale netwerken intern afstemmen

William Ditto, hoogleraar natuurkunde bij NC State en directeur van NAIL, en zijn team hebben een AI-systeem gebouwd dat “naar binnen kan kijken” en zijn neurale netwerk kan aanpassen. Het proces stelt de AI in staat het aantal, de vorm en de verbindingssterkte tussen zijn neuronen te bepalen, wat de mogelijkheid biedt voor subnetwerken met verschillende neuronale typen en sterke punten.

“We hebben een testsysteem gecreëerd met een niet-menselijke intelligentie, een kunstmatige intelligentie, om te zien of de AI diversiteit zou verkiezen boven het gebrek aan diversiteit en of zijn keuze de prestaties van de AI zou verbeteren”, zegt Ditto. “De sleutel was om de AI de mogelijkheid te geven 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 “controleknop voor zijn eigen brein”, waardoor hij kan deelnemen aan meta-leren, een proces dat zijn leervermogen en probleemoplossende vaardigheden vergroot. “Onze AI kon ook kiezen tussen diverse of homogene neuronen,” zegt Ditto, “En we ontdekten dat de AI in alle gevallen diversiteit koos als een manier om zijn prestaties te versterken.”

Voortgang van een conventioneel kunstmatig neuraal netwerk naar een divers neuraal netwerk naar een geleerd divers neuraal netwerk. Lijndiktes vertegenwoordigen gewichten

Prestatiestatistieken: Diversiteit overtreft uniformiteit

Het onderzoeksteam mat de prestaties van de AI met een standaard numerieke classificatieoefening en vond opmerkelijke resultaten. Conventionele AI's, met hun statische en homogene neurale netwerken, behaalden een nauwkeurigheidspercentage van 57%. Daarentegen bereikte de meta-lerende, diverse AI een nauwkeurigheid van maar liefst 70%.

Volgens Ditto vertoont de op diversiteit gebaseerde AI tot 10 keer meer nauwkeurigheid bij het oplossen van complexere taken, zoals het voorspellen van de slingerbeweging of de beweging van sterrenstelsels. “We hebben inderdaad ook waargenomen dat naarmate de problemen complexer en chaotischer worden, de prestaties zelfs nog dramatischer verbeteren ten opzichte van een AI die diversiteit niet omarmt”, legt hij uit.

De implicaties: een paradigmaverschuiving in de AI-ontwikkeling

De bevindingen van dit onderzoek hebben verstrekkende gevolgen voor de ontwikkeling van AI-technologieën. Ze suggereren een paradigmaverschuiving van de momenteel heersende ‘one-size-fits-all’ neurale netwerkmodellen naar dynamische, zelfinstellende 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 problemen efficiënt en nauwkeuriger te leren en op te lossen te verbeteren. ”, besluit Ditto. Dit zou vooral relevant kunnen zijn in toepassingen die een hoge mate van aanpassingsvermogen en leervermogen vereisen, van autonome voertuigen tot medische diagnostiek.

Dit onderzoek zet niet alleen de intrinsieke waarde van diversiteit in de schijnwerpers, maar opent ook nieuwe wegen voor AI-onderzoek en -ontwikkeling, wat de behoefte aan dynamische en aanpasbare neurale architecturen onderstreept. Met voortdurende steun van het Office of Naval Research en andere medewerkers wordt reikhalzend uitgekeken naar de volgende onderzoeksfase.

Door de principes van diversiteit intern te omarmen, kunnen AI-systemen aanzienlijk winnen in termen van prestaties en probleemoplossend vermogen, wat mogelijk een revolutie teweegbrengt in onze benadering van machine learning en AI-ontwikkeling.