AI basert på langsom hjernedynamikk

Forskere ved Bar-llan University i Israel har brukt avanserte eksperimenter på nevralkulturer og store skala simulasjoner for å skape en ny ultra-rask kunstig intelligens. Den nye AI-en er basert på den langsomme hjernedynamikken til mennesker. Denne hjernedynamikken har bedre læringsrater sammenlignet med de beste læringsalgoritmene vi har i dag.

Maskinlæring er faktisk sterkt relatert og basert på dynamikken i våre hjerner. Med hastigheten på moderne datamaskiner og deres store datamengder, har vi vært i stand til å skape dyplæringsalgoritmer som er like menneskelige eksperter i forskjellige fagområder. Imidlertid har disse læringsalgoritmene forskjellige karakteristika enn menneskelige hjerner.

Forskergruppen ved universitetet publiserte sine resultater i tidsskriftet Scientific Reports. De arbeidet for å knytte sammen nevrobiologi og avanserte kunstig intelligens-algoritmer, et felt som har vært forlatt i årevis.

Professor Ido Kanter fra Bar-llan Universitys fysikkavdeling og Gonda (Goldschmied) Multidisciplinær hjerneforskningsstudie, og hovedforfatteren av studien, kommenterte de to feltene.

“Den nåværende vitenskapelige og teknologiske synsvinkel er at nevrobiologi og maskinlæring er to distinkte disipliner som utvikler seg uavhengig,” sa han. “Fraværet av forventet gjensidig påvirkning er forvirrende.”

“Antallet nevroner i en hjjerne er mindre enn antallet biter i en typisk diskstørrelse på moderne personlige datamaskiner, og beregningshastigheten til hjernen er som sekundviseren på et ur, enda langsommere enn den første datamaskinen som ble funnet over 70 år siden,” sa han.

“I tillegg er hjernens læringsregler svært kompliserte og fjern fra prinsippene for læringssteg i nåværende kunstig intelligens-algoritmer.”

Professor Kanter arbeider med en forskergruppe som inkluderer Herut Uzan, Shira Sardi, Amir Goldental og Roni Vardi.

Når det gjelder hjernedynamikk, behandler de asynkrone inndata ettersom fysisk virkelighet endrer seg og utvikler seg. På grunn av dette, finnes det ingen synkronisering for nervecellene. Dette er forskjellig med kunstig intelligens-algoritmer siden de er basert på synkrone inndata. Forskjellige inndata innenfor samme ramme og deres tidspunkter blir vanligvis ignorert.

Professor Kanter gikk videre med å forklare denne dynamikken.

“Når man ser fremover, observerer man umiddelbart en ramme med flere objekter. For eksempel, mens man kjører, observerer man biler, fotgjengeroverganger og veiskilt, og kan lett identifisere deres tidsmessige orden og relative posisjoner,” sa han. “Biologisk hardware (læringsregler) er designet for å håndtere asynkrone inndata og finpusse deres relative informasjon.”

En av punktene som denne studien påpeker er at ultra-rask læringshastighet er omtrent den samme, uansett om det er et lite eller stort nettverk. Ifølge forskerne, “er ulemper med den kompliserte hjernens læringsordning faktisk en fordel.”

Studien viser også at læringsprosessen kan finne sted uten læringssteg. Den kan oppnås gjennom selv-tilpasning basert på asynkrone inndata. I den menneskelige hjernen, skjer denne type læringsprosess i dendrittene, som er korte utvidelser av nerveceller, og forskjellige terminaler av hver nevron. Dette har vært observert tidligere. Tidligere ble det antatt å være uviktig at nettverksdynamikk under dendrittisk læringsprosess er kontrollert av svake vekter.

Dette nye forskningsresultatet og funn kan bety mange forskjellige ting. Disse effektive dyplæringsalgoritmene og deres likhet med den svært langsomme hjernens dynamikk kan hjelpe med å skape en ny klasse av avansert kunstig intelligens med raske datamaskiner.

Studien fremmer også samarbeid mellom nevrobiologi og kunstig intelligens, som kan hjelpe begge felt å utvikle seg videre. Ifølge forskergruppen, “må innsiktene i grunnleggende prinsipper for vår hjjerne igjen være i sentrum av fremtidig kunstig intelligens.”