Μετάφραση της αγγλικής έκδοσής μας. Οι αρχικές πηγές παρατίθενται παρακάτω. Διαβάστε στα αγγλικά
Ερευνητές του MIT ανέπτυξαν αυτοοργανούμενο τεχνητό νευρωνικό δίκτυο
Ερευνητές στο MIT δημοσίευσαν μια μελέτη στο περιοδικό PNAS που αποδεικνύει ότι τα τεχνητά νευρωνικά δίκτυα μπορούν να σχεδιαστούν ώστε να κατασκευάζουν τον δικό τους μηχανισμό μάθησης μέσω αυτοοργάνωσης. Εφαρμόζοντας απλούς κανόνες για τον τρόπο με τον οποίο πρέπει να προσαρμόζονται οι συνδέσεις μεταξύ των μονάδων, η ομάδα δημιούργησε ένα δίκτυο που οργανώνεται μόνο του χωρίς την παρέμβαση προγραμματιστή. Αυτό το μοντέλο, το οποίο αποδίδει σε επίπεδο συγκρίσιμο με τα παραδοσιακά δίκτυα που χρησιμοποιούν οπίσθια διάδοση (back-propagation), στοχεύει να παρέχει ένα πιο βιολογικά εύλογο πλαίσιο για την κατανόηση του τρόπου με τον οποίο ο εγκέφαλος μαθαίνει και οργανώνει τα δικά του κυκλώματα.
Βασικά σημεία
- Επιστήμονες του MIT ανέπτυξαν ένα αυτοοργανούμενο τεχνητό νευρωνικό δίκτυο που κατασκευάζει τον δικό του μηχανισμό μάθησης.
- Το δίκτυο χρησιμοποιεί απλούς κανόνες για την προσαρμογή των συνδέσεων, επιτρέποντάς του να αναδιοργανώνεται χωρίς εξωτερικό σχεδιασμό.
- Το μοντέλο απέδωσε σε επίπεδο παρόμοιο με τα παραδοσιακά δίκτυα που βασίζονται στον αλγόριθμο οπίσθιας διάδοσης.
- Οι ερευνητές υποστηρίζουν ότι η αυτοοργάνωση αποτελεί κρίσιμο βήμα προς την επίτευξη βιολογικής ευλογοφάνειας στα μοντέλα τεχνητής νοημοσύνης.
- Τα ευρήματα ενδέχεται τελικά να βοηθήσουν στην ανάπτυξη διεπαφών εγκεφάλου-υπολογιστή και στη βελτίωση των συστημάτων μηχανικής μάθησης.
Τι άλλαξε
Μια ερευνητική ομάδα στο McGovern Institute for Brain Research του MIT και στο K. Lisa Yang Integrative Computational Neuroscience Center ανέπτυξε ένα υπολογιστικό δίκτυο ικανό για αυτοοργάνωση. Σε αντίθεση με τα τυπικά συστήματα τεχνητής νοημοσύνης που βασίζονται στην οπίσθια διάδοση, αυτό το δίκτυο χρησιμοποιεί απλούς, τοπικούς κανόνες για να προσαρμόζει τις συνδέσεις μεταξύ μονάδων που μοιάζουν με νευρώνες.
Η ομάδα απέδειξε ότι αυτοί οι κανόνες επιτρέπουν στο δίκτυο να σχηματίζει αυτοσυναρμολογούμενα μοτίβα, τα οποία χρησιμεύουν ως δομικά στοιχεία για λειτουργικά κυκλώματα. Καθώς το δίκτυο επεξεργάζεται δεδομένα, αυτά τα μοτίβα αναδιοργανώνονται χρησιμοποιώντας μια στρατηγική βελτιστοποίησης παρόμοια με την κάθοδο κλίσης, επιτρέποντας στο σύστημα να μαθαίνει να αναγνωρίζει πρότυπα και να ταξινομεί εικόνες.
Επιπτώσεις για τη νευροεπιστήμη και την τεχνητή νοημοσύνη
Η μελέτη αντιμετωπίζει ένα θεμελιώδες χάσμα μεταξύ τεχνητής και βιολογικής μάθησης. Ενώ η σύγχρονη τεχνητή νοημοσύνη χρησιμοποιεί συχνά την οπίσθια διάδοση, οι νευροεπιστήμονες θεωρούν γενικά ότι αυτή η μέθοδος είναι απίθανο να χρησιμοποιείται από τον ανθρώπινο εγκέφαλο, ο οποίος στερείται εξωτερικού αρχιτέκτονα.
Οι ερευνητές υποστηρίζουν ότι εάν τα προτεινόμενα συναπτικά μοτίβα αντικατοπτρίζουν εκείνα που χρησιμοποιεί ο εγκέφαλος, θα μπορούσε να δημιουργηθεί μια ισχυρότερη σύνδεση μεταξύ των μηχανισμών μηχανικής και βιολογικής μάθησης. Αυτή η κατανόηση θεωρείται ζωτικής σημασίας για μελλοντικές εφαρμογές, όπως η ανάπτυξη προηγμένων διεπαφών εγκεφάλου-υπολογιστή για ασθενείς με απώλεια λόγου ή παράλυση.