Forskere foreslår ny tilnærming med “evolusjonsalgoritmer”

Mens våre nåværende datamaskiner vanligvis utfører forhåndsprogrammerte handlinger, står dette i kontrast til våre hjerner, som er svært tilpasningsdyktige. Vår evne til tilpasning er sterkt avhengig av synaptisk plastisitet, med synapser som er koblingspunktene mellom nerveceller. Nevroforskere er dypt fascinert av synaptisk plastisitet siden det er nøkkel til læringsprosesser og hukommelse.

Forskere i nevrovitenskap og kunstig intelligens (KI) utvikler modeller for mekanismene bak 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 med biologisk evolusjon.

Forskningsgruppen ble ledet av Dr. Mihai Petrovici fra 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 lærings-scenarier

Den nye tilnærmingen kalles “evolusjonær læring” eller “tilpasning”. Teamet fokuserte på tre typiske lærings-scenarier, det første av dem 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 eksakt 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 plastisitet, og dermed løste de med hell 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 plastisitetsmodell hvor signaler 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 lovende 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 plastisitet i nervesystemet,” kommenterte Dr. Jordan.

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