Forskere laver et labyrintløbende kunstig intelligens-program, der lærer at tage genveje

Kald det en MAZE-ing udvikling:Et U.K.-baseret team af forskere har udviklet et kunstig intelligens-program, der kan lære at tage genveje gennem en labyrint for at nå sit mål. I processen, programmet udviklede strukturer svarende til dem i den menneskelige hjerne.

Fremkomsten af ​​disse beregningsmæssige "gitterceller, " beskrevet i journalen Natur , kunne hjælpe videnskabsmænd med at designe bedre navigationssoftware til fremtidige robotter og endda tilbyde et nyt vindue, hvorigennem man kan undersøge mysterierne i pattedyrshjernen.

I de seneste år, AI-forskere har udviklet og finjusteret deep-learning netværk-lagdelte programmer, der kan finde på nye løsninger for at nå deres tildelte mål. For eksempel, et dybt indlæringsnetværk kan fortælle, hvilket ansigt der skal identificeres i en række forskellige fotos, og gennem flere træningsrunder, kan tune sine algoritmer, indtil den ser det rigtige ansigt stort set hver gang.

Disse netværk er inspireret af hjernen, men de fungerer ikke helt som dem, sagde Francesco Savelli, en neuroforsker ved Johns Hopkins University, der ikke var involveret i avisen. Indtil nu, AI-systemer kommer ikke i nærheden af ​​at efterligne hjernens arkitektur, mangfoldigheden af ​​virkelige neuroner, kompleksiteten af ​​individuelle neuroner eller endda reglerne, som de lærer efter.

"Det meste af læringen menes at ske med styrkelse og svækkelse af disse synapser, "Savelli sagde i et interview, henviser til forbindelserne mellem neuroner. "Og det er også sandt for disse AI-systemer - men præcis hvordan du gør det, og reglerne for den slags læring, kan være meget anderledes i hjernen og i disse systemer."

Uanset, AI har været virkelig nyttig til en række funktioner, fra ansigtsgenkendelse til at tyde håndskrift og oversætte sprog, sagde Savelli. Men aktiviteter på højere niveau-såsom at navigere i et komplekst miljø-har vist sig at være langt mere udfordrende.

Et aspekt af navigation, som vores hjerner ser ud til at udføre uden bevidst indsats, er vejintegration. Pattedyr bruger denne proces til at genberegne deres position efter hvert skridt, de tager, ved at tage højde for den afstand, de har tilbagelagt, og den retning, de vender. Det menes at være nøglen til hjernens evne til at producere et kort over sine omgivelser.

Blandt de neuroner, der er forbundet med disse "kognitive kort":stedceller, som lyser op, når deres ejer er på et bestemt sted i miljøet; hovedretningsceller, som fortæller deres ejer, hvilken retning de vender; og gitterceller, som ser ud til at reagere på et imaginært sekskantet gitter kortlagt over det omgivende terræn. Hver gang en person træder på en "node" i dette gitter, neuronen affyrer.

"Gitterceller menes at give det kognitive kort geometriske egenskaber, der hjælper med at planlægge og følge baner, " skrev Savelli og kollega Johns Hopkins neuroforsker James Knierim i en kommentar til papiret. Opdagelsen af ​​gitterceller gav tre videnskabsmænd 2014 Nobelprisen i fysiologi eller medicin.

Mennesker og andre dyr ser ud til at have meget få problemer med at bevæge sig gennem rummet, fordi alle disse højt specialiserede neuroner arbejder sammen for at fortælle os, hvor vi er, og hvor vi skal hen.

Forskere hos DeepMind, som ejes af Google og University College London, spekulerede på, om de kunne udvikle et program, der også kunne udføre stiintegration. Så de trænede netværket med simuleringer af stier brugt af gnavere på udkig efter mad. De gav den også data for en gnavers bevægelse og hastighed samt feedback fra simulerede stedceller og hovedretningsceller.

Under denne uddannelse, forskerne bemærkede noget mærkeligt:​​Den simulerede gnaver så ud til at udvikle aktivitetsmønstre, der lignede gitterceller bemærkelsesværdigt – selvom gitterceller ikke havde været en del af deres træningssystem.

"Fremkomsten af ​​netlignende enheder er et imponerende eksempel på dyb læring, der gør det, den gør bedst:opfinde en original, ofte uforudsete intern repræsentation for at hjælpe med at løse en opgave, " skrev Savelli og Knierim.

Gitterceller ser ud til at være så nyttige til vejintegration, at denne faux-gnaver fandt på en løsning, der uhyggeligt ligner en rigtig gnaverhjerne. Forskerne undrede sig derefter:Kunne gitterceller også være nyttige i et andet afgørende aspekt af pattedyrnavigation?

Det aspekt, kaldet vektorbaseret navigation, er dybest set evnen til at beregne straight-shot, "i luftlinje" afstand til et mål, selvom du oprindeligt tog længere tid, mindre direkte rute. Det er en nyttig færdighed til at finde genveje til din destination, Savelli påpegede.

For at teste dette, forskere udfordrede den grid-celle-aktiverede faux-gnaver til at løse en labyrint, men spærrede de fleste døråbninger af, så programmet skulle tage den lange vej til sit mål. De ændrede også programmet, så det blev belønnet for handlinger, der bragte det tættere på målet. De trænede netværket i en given labyrint og åbnede derefter genveje for at se, hvad der skete.

Helt sikkert, den simulerede gnaver med gitterceller fandt hurtigt og brugte genvejene, selvom disse veje var nye og ukendte. Og det fungerede langt bedre end en faux-gnaver, hvis startpunkt og målpunkt kun blev sporet af stedceller og celler i hovedretning. Det slog endda en "menneskelig ekspert, " sagde undersøgelsens forfattere.

Resultaterne kan i sidste ende vise sig at være nyttige for robotter på vej gennem ukendt territorium, sagde Savelli. Og fra et neurovidenskabeligt perspektiv, de kunne hjælpe forskere med bedre at forstå, hvordan disse neuroner udfører deres arbejde i pattedyrs hjerne.

Selvfølgelig, dette program var meget forenklet sammenlignet med dets biologiske modstykke, Savelli påpegede. I den simulerede gnaver, "stedcellerne" ændrede sig ikke - selvom stedceller og gitterceller påvirker hinanden på komplekse måder i rigtige hjerner.

"Ved at udvikle netværket således, at stedcellelaget kan moduleres af gitterlignende input, vi kunne begynde at pakke dette forhold ud, " skrev Savelli og Knierim.

At udvikle dette AI-program yderligere kan hjælpe forskere med at begynde at forstå alle de komplekse relationer, der spiller ind i levende neurale systemer, tilføjede de.

Men om de vil finpudse teknologien eller bruge den til at forstå biologi, videnskabsmænd bliver nødt til at få bedre styr på deres egne dybe læringsprogrammer, hvis løsninger på problemer ofte er svære at tyde, selvom de konsekvent får resultater, sagde videnskabsmænd.

"At gøre deep-learning-systemer mere forståelige for menneskelig ræsonnement er en spændende udfordring for fremtiden, " skrev Savelli og Knierim.

©2018 Los Angeles Times
Distribueret af Tribune Content Agency, LLC.