Omfavning av nevrondiversitet: Et sprang i AI-effektivitet og ytelse

Rollen til diversitet har vært et diskusjonsemne i ulike felt, fra biologi til sosiologi. Imidlertid åpner en ny studie fra North Carolina State University’s Nonlinear Artificial Intelligence Laboratory (NAIL) en intrigerende dimensjon til denne diskusjonen: diversitet innen kunstig intelligens (AI) neurale nettverk.

Kraften av selvrefleksjon: Justering av neurale nettverk internt

William Ditto, professor i fysikk ved NC State og direktør for NAIL, og hans team bygde et AI-system som kan “se innover” og justere sitt neurale nettverk. Prosessen tillater AI å bestemme antall, form og tilkoblingsstyrke mellom neuronene, og tilbyr potensialet for undernettverk med forskjellige neurontyper og styrker.

“Vi skapte et testsystem med en ikke-menneskelig intelligens, en kunstig intelligens, for å se om AI ville velge diversitet over mangelen på diversitet og om valget ville forbedre ytelsen til AI,” sier Ditto. “Nøkkelen var å gi AI evnen til å se innover og lære hvordan det lærer.”

I motsetning til konvensjonell AI som bruker statiske, identiske neuroner, har Dittos AI “kontrollknappen for sin egen hjerne”, som muliggjør meta-læring, en prosess som øker læringsevnen og problemløsningsevnen. “Vår AI kunne også velge mellom diverse eller homogene neuroner,” sier Ditto, “Og vi fant at i hver enkelt instans valgte AI diversitet som en måte å styrke ytelsen på.”

Fremgang fra konvensjonell kunstig neuralt nettverk til diversifisert neuralt nettverk til lært diversifisert neuralt nettverk. Linjetyper representerer vekter

Ytelsesmetrikker: Diversitet slår uniformitet

Forskningsgruppen målte AI-ytelsen med en standard numerisk klassifiseringsøvelse og fant bemerkelsesverdige resultater. Konvensjonell AI, med statiske og homogene neurale nettverk, klarte en nøyaktighetsrate på 57%. I motsetning nådde den meta-lærende, diverse AI en imponerende 70% nøyaktighet.

Ifølge Ditto viser den diversitetsbaserte AI opp til 10 ganger mer nøyaktighet i løsning av mer komplekse oppgaver, som å forutsi en penduls sving eller bevegelsen til galakser. “Vi observerte også at jo mer komplekse og kaotiske problemene blir, jo mer dramatisk forbedres ytelsen over en AI som ikke omfavner diversitet,” forklarer han.

Konsekvensene: En paradigmeskift i AI-utvikling

Funnene fra denne studien har langtrekkende konsekvenser for utviklingen av AI-teknologier. De antyder en paradigmeskift fra de nåværende “en-størrelse-passer-alle” neurale nettverksmodellene til dynamiske, selvjusterende modeller.

“Vi har vist at hvis du gir en AI evnen til å se innover og lære hvordan det lærer, vil det endre sin interne struktur – strukturen til sine kunstige neuroner – for å omfavne diversitet og forbedre evnen til å lære og løse problemer effektivt og mer nøyaktig,” konkluderer Ditto. Dette kan være spesielt relevant i applikasjoner som krever høye nivåer av tilpasning og læring, fra autonome kjøretøy til medisinske diagnostiske verktøy.

Dette forskningsarbeidet belyser ikke bare den innbygde verdien av diversitet, men åpner også opp nye veier for AI-forskning og utvikling, og understreker behovet for dynamiske og tilpasningsdyktige neurale arkitekturer. Med pågående støtte fra Office of Naval Research og andre samarbeidspartnere, vente vi ivrig på den neste fasen av forskning.

Ved å omfavne diversitetsprinsippene internt, kan AI-systemer vinne betydelig i ytelse og problemløsningsevne, og potensielt revolusjonere vår tilnærming til maskinlæring og AI-utvikling.