Forskare föreslår ny ansats med “evolutionära algoritmer”

Medan våra nuvarande datorer vanligtvis utför förprogrammerade åtgärder, står detta i kontrast till våra hjärnor, som är mycket anpassningsbara. Vår anpassningsförmåga är starkt beroende av synaptisk plasticitet, med synapser som är kopplingspunkterna mellan neuroner. Neurovetenskapsmän är djupt fascinerade av synaptisk plasticitet eftersom det är nyckeln till inlärningsprocesser och minne.

Forskare inom neurovetenskap och artificiell intelligens (AI) utvecklar modeller för de underliggande processernas mekanismer för att bättre förstå hjärnan. Dessa modeller hjälper oss att få insikt i biologisk informationsbehandling, och de är nyckeln till att maskiner kan lära sig snabbare.

“Evolutionära algoritmer”

Forskare vid Institutionen för fysiologi vid Universitetet i Bern har nu utvecklat en ny ansats baserad på “evolutionära algoritmer”, och dessa datorprogram söker efter lösningar genom att imitera biologisk evolution.

Forskningsgruppen leddes av Dr. Mihai Petrovici från Institutionen för fysiologi vid Universitetet i Bern och Kirchhoff-institutet för fysik vid Universitetet i Heidelberg.

Studien publicerades i tidskriften eLife.

Allt detta innebär biologisk anpassning, som är den grad till vilken en organism anpassar sig till sin miljö, kan vara en modell för evolutionära algoritmer. Med dessa algoritmer är “anpassningen” av en kandidatlösning beroende av hur väl den kan lösa det underliggande problemet.

Tre inlärningsscenarier

Den nya ansatsen kallas “evolving-to-learn” eller “becoming adaptive”. Teamet fokuserade på tre typiska inlärningsscenarier, det första av vilka innebar att en dator måste upptäcka ett upprepat mönster i en kontinuerlig ström av indata utan att få feedback om dess prestation.

Det andra scenariot innebar att datorn fick virtuella belöningar när den utförde ett önskat beteende.

Det tredje scenariot innebar “vägledande inlärning” där datorn informerades exakt hur långt dess beteende avvek från det önskade.

Dr. Jakob Jordan är korresponderande och co-första författare från Institutionen för fysiologi vid Universitetet i Bern.

“I alla dessa scenarier kunde de evolutionära algoritmerna upptäcka mekanismer för synaptisk plasticitet och därmed lyckades lösa en ny uppgift”, sa Dr. Jordan.

Algoritmerna visade stark kreativitet.

Dr. Maximilian Schmidt är co-första författare till studien.

“Till exempel hittade algoritmen en ny plasticitetsmodell där signaler som vi definierade kombinerades för att bilda en ny signal. I själva verket observerar vi att nätverk som använder denna nya signal lär sig snabbare än med tidigare kända regler”, sa Dr. Schmidt.

“Vi ser E2L som en lovande ansats för att få djupare insikt i biologiska inlärningsprinciper och påskynda framstegen mot kraftfulla artificiella inlärningsmaskiner”, sa Petrovoci.

“Vi hoppas att det kommer att påskynda forskningen om synaptisk plasticitet i nervsystemet”, kommenterade Dr. Jordan.

Teamet säger att de nya resultaten kommer att ge djupare insikt i hur friska och sjuka hjärnor fungerar, och de kan bidra till utvecklingen av intelligenta maskiner som kan anpassa sig till användare.