Sztuczna inteligencja oparta na wolnych dynamikach mózgu

Naukowcy z Uniwersytetu Bar-llan w Izraelu wykorzystali zaawansowane eksperymenty na kulturach neuronalnych i dużych symulacjach, aby stworzyć nową ultrafast sztuczną inteligencję. Nowa sztuczna inteligencja oparta jest na wolnych dynamikach mózgu ludzkiego. Dynamika ta ma lepsze wskaźniki uczenia się w porównaniu z najlepszymi algorytmami uczenia, którymi dysponujemy dzisiaj.

Uczenie maszynowe jest ściśle związane z dynamiką naszego mózgu. Z szybkością nowoczesnych komputerów i ich dużymi zbiorami danych, byliśmy w stanie stworzyć algorytmy głębokiego uczenia, które są podobne do ekspertów ludzkich w różnych dziedzinach. Jednak te algorytmy uczenia mają różne charakterystyki niż mózg ludzki.

Zespół naukowców z uniwersytetu opublikował swoją pracę w czasopiśmie Scientific Reports. Pracowali nad połączeniem neurobiologii i zaawansowanych algorytmów sztucznej inteligencji, dziedziny, która była porzucona na dziesięciolecia.

Profesor Ido Kanter z Wydziału Fizyki Uniwersytetu Bar-llan i Gonda (Goldschmied) Multidyscyplinarnego Studium Mózgu, oraz główny autor studium, skomentował te dwie dziedziny.

“Obecny naukowy i technologiczny punkt widzenia jest taki, że neurobiologia i uczenie maszynowe są dwiema odrębnymi dziedzinami, które rozwijają się niezależnie,” powiedział. “Brak oczekiwanego wzajemnego wpływu jest zagadkowy.”

“Liczba neuronów w mózgu jest mniejsza niż liczba bitów na typowej dysku rozmiaru nowoczesnych komputerów osobistych, a szybkość obliczeniowa mózgu jest jak wskazówka zegara, nawet wolniejsza niż pierwszy komputer wynaleziony ponad 70 lat temu,” powiedział.

“Ponadto, reguły uczenia się mózgu są bardzo skomplikowane i odległe od zasad kroków uczenia się w obecnych algorytmach sztucznej inteligencji.”

Profesor Kanter pracuje z zespołem badawczym, w tym z Herut Uzan, Shira Sardi, Amir Goldental i Roni Vardi.

Jeśli chodzi o dynamikę mózgu, zajmują się one asynchronicznymi wejściami, ponieważ rzeczywistość fizyczna zmienia się i rozwija. Z tego powodu nie ma synchronizacji dla komórek nerwowych. Jest to inaczej w przypadku algorytmów sztucznej inteligencji, które opierają się na synchronicznych wejściach. Różne wejścia w ramach tego samego kadru i ich czasowania są zwykle ignorowane.

Profesor Kanter wyjaśnił tę dynamikę.

“Gdy spoglądamy w przyszłość, natychmiast widzimy kadr z wieloma obiektami. Na przykład, podczas jazdy widzimy samochody, przejścia dla pieszych i znaki drogowe, i możemy łatwo zidentyfikować ich porządek czasowy i względne położenie,” powiedział. “Biologiczne urządzenia (reguły uczenia się) są zaprojektowane do radzenia sobie z asynchronicznymi wejściami i udoskonalania ich względnej informacji.”

Jednym z punktów, które ta studium podnosi, jest to, że ultrafast wskaźniki uczenia się są takie same, niezależnie od tego, czy jest to mała czy duża sieć. Zgodnie z badaczami, “wada skomplikowanego schematu uczenia się mózgu jest tak naprawdę zaletą.”

Studium pokazuje również, że uczenie się może odbywać się bez kroków uczenia się. Może być osiągnięte poprzez samoadaptację opartą na asynchronicznych wejściach. W mózgu ludzkim, ten typ uczenia się występuje w dendrytach, które są krótkimi rozszerzeniami komórek nerwowych, i różnych terminalach każdego neuronu. To było obserwowane wcześniej. Wcześniej uważano, że jest to nieistotne, że dynamika sieci pod uczeniem się w dendrytach jest kontrolowana przez słabe wagi.

To nowe badanie i odkrycia mogą oznaczać wiele różnych rzeczy. Te wydajne algorytmy głębokiego uczenia i ich podobieństwo do bardzo wolnej dynamiki mózgu mogą pomóc stworzyć nową klasę zaawansowanej sztucznej inteligencji z szybkimi komputerami.

Studium również promuje współpracę między dziedzinami neurobiologii i sztucznej inteligencji, co może pomóc obu dziedzinom w dalszym rozwoju. Zgodnie z grupą badawczą, “Wglądy w podstawowe zasady naszego mózgu muszą znaleźć się ponownie w centrum przyszłej sztucznej inteligencji.”