Các nhà nghiên cứu đề xuất phương pháp mới với “Thuật toán tiến hóa”

Trong khi máy tính hiện tại của chúng ta thường thực hiện các hành động được lập trình sẵn, điều này trái ngược với não bộ của chúng ta, vốn rất linh hoạt. Khả năng thích nghi của chúng ta phụ thuộc rất nhiều vào tính mềm dẻo của synap, với synap là điểm kết nối giữa các nơ-ron. Các nhà khoa học thần kinh rất quan tâm đến tính mềm dẻo của synap vì nó là chìa khóa để học tập và ghi nhớ.

Các nhà nghiên cứu trong lĩnh vực khoa học thần kinh và trí tuệ nhân tạo (AI) phát triển các mô hình cho các cơ chế của các quá trình cơ bản này để hiểu rõ hơn về não bộ. Các mô hình này giúp chúng ta có cái nhìn sâu sắc hơn về quá trình xử lý thông tin sinh học, và chúng là chìa khóa để giúp máy móc học hỏi nhanh hơn.

“Thuật toán tiến hóa”

Các nhà nghiên cứu tại Viện Sinh lý học tại Đại học Bern đã phát triển một phương pháp mới dựa trên “thuật toán tiến hóa”, và các chương trình máy tính này tìm kiếm giải pháp bằng cách mô phỏng quá trình tiến hóa sinh học.

Đội nghiên cứu được dẫn đầu bởi Tiến sĩ Mihai Petrovici của Viện Sinh lý học tại Đại học Bern và Viện Vật lý Kirchhoff tại Đại học Heidelberg.

Nghiên cứu này được công bố trên tạp chí eLife.

Tất cả những điều này có nghĩa là sự phù hợp sinh học, đó là mức độ mà một sinh vật thích nghi với môi trường của nó, có thể là một mô hình cho thuật toán tiến hóa. Với các thuật toán này, “sự phù hợp” của một giải pháp ứng cử là phụ thuộc vào khả năng giải quyết vấn đề cơ bản.

Ba kịch bản học tập

Phương pháp mới này được gọi là “tiến hóa để học” hoặc “trở nên thích nghi”. Đội ngũ tập trung vào ba kịch bản học tập điển hình, trong đó kịch bản đầu tiên liên quan đến việc máy tính phải phát hiện một mẫu lặp lại trong một dòng đầu vào liên tục mà không nhận được phản hồi về hiệu suất của nó.

Kịch bản thứ hai liên quan đến việc máy tính nhận được phần thưởng ảo khi thực hiện một hành vi mong muốn.

Kịch bản thứ ba liên quan đến “học tập có hướng dẫn” nơi máy tính được thông báo chính xác về mức độ hành vi của nó khác với hành vi mong muốn.

Tiến sĩ Jakob Jordan là tác giả tương ứng và đồng tác giả đầu tiên từ Viện Sinh lý học tại Đại học Bern.

“Trong tất cả các kịch bản này, các thuật toán tiến hóa đã có thể khám phá các cơ chế của tính mềm dẻo của synap, và do đó đã giải quyết thành công một nhiệm vụ mới,” Tiến sĩ Jordan nói.

Các thuật toán đã thể hiện sự sáng tạo mạnh mẽ.

Tiến sĩ Maximilian Schmidt là đồng tác giả đầu tiên của nghiên cứu.

“Ví dụ, thuật toán đã tìm thấy một mô hình tính mềm dẻo mới trong đó các tín hiệu chúng tôi định nghĩa được kết hợp để tạo thành một tín hiệu mới. Trên thực tế, chúng tôi quan sát thấy rằng các mạng sử dụng tín hiệu mới này học nhanh hơn so với các quy tắc đã biết trước đó,” Tiến sĩ Schmidt nói.

“Chúng tôi xem E2L là một cách tiếp cận đầy hứa hẹn để có được những hiểu biết sâu sắc về các nguyên tắc học tập sinh học và tăng tốc độ tiến bộ hướng tới các máy học mạnh mẽ,” Petrovoci nói.

“Chúng tôi hy vọng nó sẽ tăng tốc nghiên cứu về tính mềm dẻo của synap trong hệ thống thần kinh,” Tiến sĩ Jordan bình luận.

Đội ngũ cho biết những phát hiện mới này sẽ cung cấp cái nhìn sâu sắc hơn về cách não bộ khỏe mạnh và bị bệnh hoạt động, và chúng có thể giúp phát triển các máy móc thông minh có thể thích nghi với người dùng.