Принятие нейронного разнообразия: скачок в эффективности и производительности ИИ

Роль разнообразия обсуждается в различных областях, от биологии до социологии. Однако недавнее исследование из лаборатории нелинейного искусственного интеллекта (NAIL) Университета штата Северная Каролина открывает интригующую перспективу в этом дискурсе: разнообразие внутри искусственных нейронных сетей.

Сила самоанализа: настройка нейронных сетей внутри

Уильям Дитто, профессор физики в Университете штата Северная Каролина и директор NAIL, и его команда создали систему ИИ, которая может “взглянуть внутрь” и отрегулировать свою нейронную сеть. Этот процесс позволяет ИИ определить количество, форму и силу соединения между нейронами, предлагая потенциал для подсетей с разными типами и силой нейронов.

“Мы создали тестовую систему с нечеловеческим интеллектом, искусственным интеллектом, чтобы увидеть, выберет ли ИИ разнообразие вместо отсутствия разнообразия и улучшит ли это выбор производительность ИИ”, говорит Дитто. “Ключом было дать ИИ возможность взглянуть внутрь и узнать, как он учится.”

В отличие от традиционного ИИ, который использует статические, идентичные нейроны, ИИ Дитто имеет “регулятор для своего собственного мозга”, позволяющий ему заниматься метаобучением, процессом, который повышает его способность к обучению и решению проблем. “Наш ИИ также мог выбирать между разнообразными или однородными нейронами”, заявляет Дитто, “И мы обнаружили, что в каждом случае ИИ выбирал разнообразие как способ укрепить свою производительность.”

Переход от традиционной искусственной нейронной сети к разнообразной нейронной сети к обученной разнообразной нейронной сети. Толщина линий представляет веса

Метрики производительности: разнообразие превосходит униформизм

Исследовательская команда измерила производительность ИИ с помощью стандартного числового классификационного упражнения и обнаружила замечательные результаты. Традиционные ИИ, с их статическими и однородными нейронными сетями, достигли 57% точности. В отличие от этого, метаобучающийся, разнообразный ИИ достиг 70% точности.

По словам Дитто, ИИ на основе разнообразия показывает до 10 раз большую точность при решении более сложных задач, таких как предсказание качания маятника или движения галактик. “Действительно, мы также наблюдали, что по мере увеличения сложности и хаотичности задач производительность улучшается еще более драматически по сравнению с ИИ, который не принимает разнообразие”, объясняет он.

Последствия: парадигмальный сдвиг в разработке ИИ

Результаты этого исследования имеют далеко идущие последствия для разработки технологий ИИ. Они предполагают парадигмальный сдвиг от目前 преобладающих моделей нейронных сетей “один размер подходит всем” к динамическим, самоадаптирующимся.

“Мы показали, что если вы дадите ИИ возможность взглянуть внутрь и узнать, как он учится, он изменит свою внутреннюю структуру – структуру своих искусственных нейронов – чтобы принять разнообразие и улучшить свою способность к обучению и решению проблем эффективно и более точно”, заключает Дитто. Это может быть особенно актуально в приложениях, которые требуют высоких уровней адаптивности и обучения, от автономных транспортных средств до медицинской диагностики.

Это исследование не только подчеркивает внутреннюю ценность разнообразия, но и открывает новые пути для исследований и разработок в области ИИ, подчеркивая необходимость динамических и адаптируемых архитектур нейронных сетей. С продолжающейся поддержкой Управления военно-морских исследований и других сотрудников следующая фаза исследований ожидается с нетерпением.

Принимая принципы разнообразия внутри, системы ИИ могут существенно улучшить свою производительность и способность к решению проблем, потенциально революционизируя наш подход к машинному обучению и разработке ИИ.