AI baserad på långsamma hjärndynamik

Forskare vid Bar-llan University i Israel har använt avancerade experiment på neurala kulturer och storskaliga simuleringar för att skapa en ny ultra-snabb artificiell intelligens. Den nya AI:n baseras på de långsamma hjärndynamikerna hos människor. Dessa hjärndynamiker har bättre inlärningshastigheter jämfört med de bästa inlärningsalgoritmerna som vi har idag.

Maskinlärning är faktiskt starkt relaterad och baserad på hjärnans dynamik. Med hastigheten på moderna datorer och deras stora datamängder har vi kunnat skapa djupinlärningsalgoritmer som liknar mänskliga experter inom olika områden. Dessa inlärningsalgoritmer har dock olika egenskaper än mänskliga hjärnor.

Forskarteamet vid universitetet publicerade sitt arbete i tidskriften Scientific Reports. De arbetade för att koppla samman neurovetenskap och avancerade artificiella intelligensalgoritmer, ett område som har övergivits under flera decennier.

Professor Ido Kanter vid Bar-llan Universitets fysikavdelning och Gonda (Goldschmied) Multidisciplinära Hjärnforskningsstudie, och den ledande författaren till studien, kommenterade de två områdena.

“Den nuvarande vetenskapliga och tekniska synvinkeln är att neurobiologi och maskinlärning är två distinkta discipliner som utvecklas oberoende”, sa han. “Avsaknaden av förväntad ömsesidig påverkan är förbryllande.”

“Antalet neuroner i en hjärna är färre än antalet bitar i en typisk diskstorlek på moderna persondatorer, och den beräkningsmässiga hastigheten på hjärnan är som sekundvisaren på en klocka, ännu långsammare än den första datorn som uppfanns för över 70 år sedan”, sa han.

“Dessutom är hjärnans inlärningsregler mycket komplicerade och avlägsna från principerna för inlärningssteg i nuvarande artificiella intelligensalgoritmer.”

Professor Kanter arbetar med ett forskarteam som inkluderar Herut Uzan, Shira Sardi, Amir Goldental och Roni Vardi.

När det gäller hjärndynamik hanterar de asynkrona indata eftersom fysisk verklighet förändras och utvecklas. På grund av detta finns det ingen synkronisering för nervcellerna. Detta skiljer sig från artificiella intelligensalgoritmer som baseras på synkrona indata. Olika indata inom samma ram och deras tidsangivelser ignoreras vanligtvis.

Professor Kanter gick vidare för att förklara denna dynamik.

“När man tittar framåt ser man omedelbart en ram med flera objekt. Till exempel, medan man kör ser man bilar, övergångsställen och vägskyltar, och kan lätt identifiera deras tidsmässiga ordning och relativa positioner”, sa han. “Biologisk hårdvara (inlärningsregler) är utformad för att hantera asynkrona indata och förfinar deras relativa information.”

En av de punkter som denna studie gör är att ultra-snabba inlärningshastigheter är ungefär desamma oavsett om det är ett litet eller stort nätverk. Enligt forskarna är “nackdelen med den komplicerade hjärnans inlärningsschema faktiskt en fördel”.

Studien visar också att inlärning kan ske utan inlärningssteg. Det kan uppnås genom självadaptation baserad på asynkrona indata. I den mänskliga hjärnan sker denna typ av inlärning i dendriterna, som är korta utvidgningar av nervceller, och olika terminaler på varje neuron. Detta har observerats tidigare. Tidigare trodde man att det var oviktigt att nätverksdynamik under dendritisk inlärning kontrolleras av svaga vikter.

Denna nya forskning och dess resultat kan betyda många olika saker. Dessa effektiva djupinlärningsalgoritmer och deras likhet med den mycket långsamma hjärnans dynamik kan hjälpa till att skapa en ny klass av avancerad artificiell intelligens med snabba datorer.

Studien trycker också på samarbete mellan neurobiologi och artificiell intelligens, som kan hjälpa båda områdena att utvecklas ytterligare. Enligt forskargruppen “måste insikter om de grundläggande principerna för vår hjärna återigen vara i centrum för framtida artificiell intelligens”.