นักวิจัยเสนอแนวทางใหม่ด้วย “อัลกอริทึมวิวัฒนาการ”

คอมพิวเตอร์ของเราที่ใช้กันในปัจจุบันมักจะทำการกระทำที่ถูกตั้งโปรแกรมไว้แล้ว ซึ่งตรงกันข้ามกับสมองของเรา ซึ่งมีความสามารถในการปรับตัวสูง ความสามารถในการปรับตัวของเรานั้นขึ้นอยู่กับพลาสติกซินแนปส์อย่างมาก โดยซินแนปส์เป็นจุดเชื่อมต่อระหว่างเซลล์ประสาท นักวิทยาศาสตร์ประสาทจิตวิทยาให้ความสนใจกับพลาสติกซินแนปส์อย่างมาก เนื่องจากเป็นกุญแจสำคัญในการเรียนรู้และความจำ

นักวิจัยด้านประสาทวิทยาศาสตร์และปัญญาประดิษฐ์ (AI) พัฒนารูปแบบสำหรับกลไกของกระบวนการเหล่านี้เพื่อให้เข้าใจสมองได้ดีขึ้น รูปแบบเหล่านี้ช่วยให้เราเข้าใจการประมวลผลข้อมูลทางชีววิทยา และเป็นกุญแจสำคัญในการช่วยให้เครื่องจักรเรียนรู้ได้เร็วขึ้น

“อัลกอริทึมวิวัฒนาการ”

นักวิจัยที่สถาบันสรีรวิทยาของมหาวิทยาลัยเบิร์นได้พัฒนาวิธีการใหม่โดยใช้ “อัลกอริทึมวิวัฒนาการ” ซึ่งเป็นโปรแกรมคอมพิวเตอร์ที่ค้นหาวิธีแก้ปัญหาโดยเลียนแบบกระบวนการวิวัฒนาการทางชีววิทยา

ทีมวิจัยนำโดย ดร. Mihai Petrovici จากสถาบันสรีรวิทยาของมหาวิทยาลัยเบิร์นและสถาบันฟิสิกส์ Kirchhoff ของมหาวิทยาลัย Heidelberg

การวิจัยนี้ได้รับการตีพิมพ์ในวารสาร eLife.

ทั้งหมดนี้หมายถึงความเหมาะสมทางชีววิทยา ซึ่งเป็นระดับที่สิ่งมีชีวิตปรับตัวเข้ากับสภาพแวดล้อมได้ และสามารถเป็นแบบจำลองสำหรับอัลกอริทึมวิวัฒนาการได้ โดยใช้อัลกอริทึมเหล่านี้ “ความเหมาะสม” ของวิธีแก้ปัญหาที่เป็นไปได้ขึ้นอยู่กับวิธีแก้ปัญหาที่ดีที่สุด

สามสถานการณ์การเรียนรู้

แนวทางใหม่นี้เรียกว่า “evolving-to-learn” หรือ “becoming adaptive” ทีมวิจัยเน้นไปที่สามสถานการณ์การเรียนรู้ทั่วไป ซึ่งสถานการณ์แรกเกี่ยวข้องกับคอมพิวเตอร์ที่ต้องตรวจจับรูปแบบที่ซ้ำกันในกระแสข้อมูลที่ต่อเนื่องกันโดยไม่ได้รับข้อเสนอแนะเกี่ยวกับการทำงาน

สถานการณ์ที่สองเกี่ยวข้องกับคอมพิวเตอร์ที่ได้รับรางวัลเสมือนเมื่อทำพฤติกรรมที่ต้องการ

สถานการณ์ที่สามเกี่ยวข้องกับการเรียนรู้ที่ “มีคำแนะนำ” โดยที่คอมพิวเตอร์ถูกบอกว่าพฤติกรรมของมันห่างจากพฤติกรรมที่ต้องการมากน้อยเพียงใด

ดร. Jakob Jordan เป็นผู้เขียนหลักและผู้เขียนร่วมคนแรกจากสถาบันสรีรวิทยาของมหาวิทยาลัยเบิร์น

“ในสถานการณ์ทั้งหมดนี้ อัลกอริทึมวิวัฒนาการสามารถค้นพบกลไกของพลาสติกซินแนปส์ และแก้ปัญหาใหม่ๆ ได้สำเร็จ” ดร. Jordan กล่าว

อัลกอริทึมเหล่านี้แสดงให้เห็นถึงความสร้างสรรค์ที่เข้มแข็ง

ดร. Maximilian Schmidt เป็นผู้เขียนร่วมคนแรกของการศึกษา

“ตัวอย่างเช่น อัลกอริทึมพบแบบจำลองพลาสติกซินแนปส์ใหม่ซึ่งสัญญาณที่เรากำหนดจะถูกผสมเข้าด้วยกันเพื่อสร้างสัญญาณใหม่ ในความเป็นจริง เราพบว่าเครือข่ายที่ใช้สัญญาณใหม่นี้เรียนรู้ได้เร็วกว่ากฎที่ทราบก่อนหน้านี้” ดร. Schmidt กล่าว

“เรามองว่า E2L เป็นแนวทางที่มีแนวโน้มในการได้รับข้อมูลเชิงลึกเกี่ยวกับหลักการเรียนรู้ทางชีววิทยา และเร่งความก้าวหน้าในการพัฒนาคอมพิวเตอร์ที่เรียนรู้ได้เร็ว” Petrovoci กล่าว

“เราหวังว่ามันจะเร่งการวิจัยเกี่ยวกับพลาสติกซินแนปส์ในระบบประสาท” ดร. Jordan กล่าว

ทีมวิจัยระบุว่าผลการวิจัยใหม่นี้จะให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับวิธีการทำงานของสมองที่มีสุขภาพดีและสมองที่มีปัญหา และอาจช่วยในการพัฒนาคอมพิวเตอร์ที่สามารถปรับตัวเข้ากับผู้ใช้ได้