Forskere foreslår ny tilnærming med “evolusjonsalgoritmer”

Mens våre nåværende datamaskiner vanligvis utfører forhåndsprogrammerte handlinger, står dette i kontrast til hjernene våre, som er svært tilpasningsdyktige. Vår tilpasningsevne er tungt avhengig av synaptisk plasticitet, med synapser som er koblingspunktene mellom nerveceller. Nevroforskere er dypere interessert i synaptisk plasticitet siden det er nøkkel til læreprosesser og hukommelse.

Forskere i nevrovitenskap og kunstig intelligens (AI) utvikler modeller for mekanismene til disse underliggende prosessene for å bedre forstå hjernen. Disse modellene hjelper oss å få innsikt i biologisk informasjonsbehandling, og de er nøkkel til å hjelpe maskiner å lære raskere.

“Evolusjonsalgoritmer”

Forskere ved Institutt for fysiologi ved Universitetet i Bern har nå utviklet en ny tilnærming basert på “evolusjonsalgoritmer”, og disse dataprogrammene søker etter løsninger ved å etterligne prosessen til biologisk evolusjon. 

Forskningsgruppen ble ledet av Dr. Mihai Petrovici ved Institutt for fysiologi ved Universitetet i Bern og Kirchhoff-instituttet for fysikk ved Universitetet i Heidelberg.

Studien ble publisert i tidsskriftet eLife.

Alt dette betyr biologisk fitthet, som er graden til hvilken en organisme tilpasser seg miljøet, kan være en modell for evolusjonsalgoritmer. Med disse algoritmene er “fittheten” til en kandidatløsning avhengig av hvor godt den kan løse den underliggende problemstillingen. 

Tre læringscenarier

Den nye tilnærmingen kalles “evolusjon til å lære” eller “å bli tilpasningsdyktig”. Teamet fokuserte på tre typiske læringscenarier, det første av disse involverte en datamaskin som måtte detektere et gjentakende mønster i en kontinuerlig strøm av innputt uten å motta tilbakemelding om dens ytelse.

Det andre scenariet involverte datamaskinen mottok virtuelle belønninger når den utførte en ønsket atferd.

Det tredje scenariet involverte “veiledet læring” hvor datamaskinen ble fortalt nøyaktig hvor langt dens atferd avvik fra den ønskede.

Dr. Jakob Jordan er korresponderende og co-first forfatter fra Institutt for fysiologi ved Universitetet i Bern.

“I alle disse scenariene var evolusjonsalgoritmene i stand til å oppdage mekanismer for synaptisk plasticitet, og dermed løste den en ny oppgave,” sa Dr. Jordan.

Algoritmene viste sterk kreativitet.

Dr. Maximilian Schmidt er co-first forfatter av studien.

“For eksempel fant algoritmen en ny plasticitetsmodell hvor signalene vi definerte ble kombineret til å danne et nytt signal. I virkeligheten observerer vi at nettverk som bruker dette nye signalet lærer raskere enn med tidligere kjente regler,” sa Dr. Schmidt.

“Vi ser E2L som en løftende tilnærming for å få dypt innsikt i biologiske læringsprinsipper og akselerere fremgangen mot kraftige kunstige læringsmaskiner,” sa Petrovoci. 

“Vi håper det vil akselerere forskningen på synaptisk plasticitet i nervesystemet,” kommenterte Dr. Jordan. 

Teamet sier at de nye funnene vil gi dypere innsikt i hvordan friske og syke hjerner fungerer, og de kan bidra til utviklingen av intelligente maskiner som kan tilpasse seg brukerne.