Прихватање неуронске разноликости: скок у ефикасности и перформансама вештачке интелигенције

Улога различитости била је предмет дискусије у различитим областима, од биологије до социологије. Међутим, недавно студирати из Лабораторије за нелинеарну вештачку интелигенцију (НАИЛ) Универзитета Северне Каролине отвара интригантну димензију овом дискурсу: разноликост унутар неуронских мрежа вештачке интелигенције (АИ).

Моћ саморефлексије: интерно подешавање неуронских мрежа

Вилијам Дито, професор физике у НЦ Стате и директор НАИЛ-а, и његов тим су изградили систем вештачке интелигенције који може да „гледа унутра” и прилагоди своју неуронску мрежу. Процес омогућава вештачкој интелигенцији да одреди број, облик и снагу везе између својих неурона, нудећи потенцијал за подмреже са различитим типовима и снагама неурона.

„Направили смо систем за тестирање са не-људском интелигенцијом, вештачком интелигенцијом, да видимо да ли ће АИ изабрати разноликост уместо недостатка разноликости и да ли ће њен избор побољшати перформансе АИ“, каже Дито. „Кључ је био давање АИ могућности да погледа унутра и научи како учи.

За разлику од конвенционалне вештачке интелигенције која користи статичне, идентичне неуроне, Диттова АИ има „контролно дугме за сопствени мозак“, омогућавајући му да се укључи у мета-учење, процес који повећава његов капацитет учења и вештине решавања проблема. „Наша АИ би такође могла да одлучује између различитих или хомогених неурона“, каже Дитто, „и открили смо да је у сваком случају АИ изабрала разноликост као начин да ојача своје перформансе.“

Прогресија од конвенционалне вештачке неуронске мреже до разноврсне неуронске мреже до научене разноврсне неуронске мреже. Дебљине линија представљају тежине

Показатељи учинка: Различитост надмашује униформност

Истраживачки тим је измерио перформансе вештачке интелигенције помоћу стандардне нумеричке вежбе класификације и пронашао изванредне резултате. Конвенционална АИ, са својим статичким и хомогеним неуронским мрежама, успела је са стопом тачности од 57%. Насупрот томе, мета-учење, разноврсна АИ достигла је запањујућих 70% тачности.

Према Диту, АИ заснована на разноликости показује до 10 пута више тачности у решавању сложенијих задатака, као што је предвиђање замаха клатна или кретања галаксија. „Заиста, такође смо приметили да како проблеми постају сложенији и хаотичнији, перформансе се још драматичније побољшавају у односу на вештачку интелигенцију која не прихвата разноликост“, објашњава он.

Импликације: Промена парадигме у развоју вештачке интелигенције

Налази ове студије имају далекосежне импликације на развој АИ технологија. Они предлажу промену парадигме са тренутно преовлађујућих модела неуронске мреже „једне величине за све“ на динамичке, самоприлагођавајуће моделе.

„Показали смо да ако АИ дате могућност да гледа унутра и научи како учи, то ће променити своју унутрашњу структуру – структуру својих вештачких неурона – да прихвати различитост и побољша своју способност да учи и решава проблеме ефикасно и тачније “, закључује Дитто. Ово би могло бити посебно релевантно у апликацијама које захтевају висок ниво прилагодљивости и учења, од аутономних возила до медицинске дијагностике.

Ово истраживање не само да осветљава суштинску вредност различитости, већ и отвара нове путеве за истраживање и развој вештачке интелигенције, наглашавајући потребу за динамичним и прилагодљивим неуронским архитектурама. Уз сталну подршку Канцеларије за поморска истраживања и других сарадника, жељно се ишчекује следећа фаза истраживања.

Интерно прихватајући принципе различитости, системи вештачке интелигенције могу значајно да добију у погледу перформанси и способности решавања проблема, потенцијално револуционишући наш приступ Машина учење и развој АИ.