Ny AI-metode øger kraften i kunstige neurale netværk

Et internationalt hold af forskere fra Eindhoven University of Technology, University of Texas i Austin, og University of Derby, har udviklet en revolutionerende metode, der kvadratisk accelererer kunstig intelligens (AI) træningsalgoritmer. Dette giver fuld AI-kapacitet til billige computere, og ville gøre det muligt på et til to år for supercomputere at udnytte kunstige neurale netværk, der kvadratisk overstiger mulighederne i nutidens kunstige neurale netværk. Forskerne præsenterede deres metode den 19. juni i tidsskriftet Naturkommunikation .

Artificial Neural Networks (eller ANN) er selve hjertet i AI-revolutionen, der former alle aspekter af samfundet og teknologien. Men de ANN'er, som vi hidtil har kunnet håndtere, er ikke i nærheden af ​​at løse meget komplekse problemer. De allernyeste supercomputere ville kæmpe med et netværk på 16 millioner neuroner (bare på størrelse med en frøhjerne), mens det ville tage over et dusin dage for en kraftfuld stationær computer at træne blot 100, 000-neuron netværk.

Personlig medicin

Den foreslåede metode, kaldet Sparse Evolutionary Training (SET), henter inspiration fra biologiske netværk og især neurale netværk, der skyldes deres effektivitet til tre simple funktioner:netværk har relativt få forbindelser (sparsitet), få hubs (skalafrihed) og korte stier (small-worldness). Arbejdet rapporterede i Naturkommunikation demonstrerer fordelene ved at bevæge sig væk fra fuldt forbundne ANN'er (som gjort i almindelig AI), ved at indføre en ny træningsprocedure, der starter fra et tilfældigt, sparsomt netværk og iterativt udvikler sig til et skalafrit system. Ved hvert trin, de svagere forbindelser elimineres, og nye links tilføjes tilfældigt, svarende til en biologisk proces kendt som synaptisk krympning.

Den slående accelerationseffekt af denne metode har enorm betydning, da det vil tillade anvendelsen af ​​kunstig intelligens på problemer, der i øjeblikket ikke kan løses på grund af det store antal parametre. Eksempler omfatter overkommelig personlig medicin og komplekse systemer. I komplekse, hurtigt skiftende miljøer såsom smart grids og sociale systemer, hvor hyppig omskoling af en ANN er påkrævet, forbedringer i indlæringshastigheden (uden at gå på kompromis med nøjagtigheden) er afgørende. Ud over, fordi sådan træning kan opnås med begrænsede beregningsressourcer, den foreslåede SET-metode vil blive foretrukket for de indlejrede intelligenser af de mange distribuerede enheder, der er forbundet til et større system.

Frøens hjerne

Dermed, konkret, med SET kan enhver bruger på sin egen bærbare computer bygge et kunstigt neuralt netværk på op til 1 million neuroner, mens det med state-of-the-art metoder kun var forbeholdt dyre computerskyer. Det betyder ikke, at skyerne ikke er nyttige længere. De er. Forestil dig, hvad du kan bygge på dem med SET. I øjeblikket de største kunstige neurale netværk, bygget på supercomputere, har på størrelse med en frøhjerne (ca. 16 millioner neuroner). Efter at nogle tekniske udfordringer er overgået, med SET, vi kan bygge på de samme supercomputere kunstige neurale netværk tæt på den menneskelige hjernestørrelse (ca. 80 milliarder neuroner).

Hovedforfatter Dr. Decebal Mocanu:"Og, Ja, vi har brug for så ekstremt store netværk. Det blev vist, for eksempel, at kunstige neurale netværk er gode til at opdage kræft fra menneskelige gener. Imidlertid, komplette kromosomer er for store til at passe ind i avancerede kunstige neurale netværk, men de kunne passe ind i et 80 milliarder neuronetværk. Denne kendsgerning kan hypotetisk føre til bedre sundhedspleje og overkommelig personlig medicin for os alle."