Kunstig intelligens - parkering af en bil med kun 12 neuroner

Computerforskere ved TU Wien (Wien) forbedrer kunstig intelligens ved at hente inspiration fra biologi. De nye tilgange opnår fantastiske resultater med overraskende lille indsats.

En naturligt dyrket hjerne fungerer ganske anderledes end et almindeligt computerprogram. Den bruger ikke kode, der består af klare logiske instruktioner, det er et netværk af celler, der kommunikerer med hinanden. Simulering af sådanne netværk på en computer kan hjælpe med at løse problemer, der er vanskelige at opdele i logiske operationer.

På TU Wien (Wien), i samarbejde med forskere ved Massachusetts Institute of Technology (MIT), en ny tilgang til programmering af sådanne neurale netværk er nu blevet udviklet, som modellerer nervesignalernes tidsudvikling på en helt anden måde. Det var inspireret af et særligt enkelt og velundersøgt væsen, rundormen C. elegans. Neurale kredsløb fra dets nervesystem blev simuleret på computeren, og derefter blev modellen tilpasset med maskinlæringsalgoritmer. Denne måde, det var muligt at løse bemærkelsesværdige opgaver med et ekstremt lavt antal simulerede nerveceller - for eksempel parkering af en bil. Selvom det orminspirerede netværk kun består af 12 neuroner, det kan trænes til at styre en rover -robot til et givet sted. Ramin Hasani fra Institute of Computer Engineering ved TU Wien har nu præsenteret sit arbejde på TEDx -konferencen i Wien den 20. oktober.

Det kan påvises, at disse nye neurale netværk er ekstremt alsidige. En anden fordel er, at deres indre dynamik kan forstås - i modsætning til standard kunstige neurale netværk, som ofte betragtes som en nyttig, men uigennemgåelig "sort boks".

Signaler i forgrenede netværk

"Neurale netværk skal trænes," siger Ramin Hasani. "Du giver et specifikt input og justerer forbindelserne mellem neuronerne, så det ønskede output leveres."

Input, for eksempel, kan være et fotografi, og output kan være navnet på personen på billedet. "Tid spiller normalt ingen vigtig rolle i denne proces, "siger Radu Grosu fra Institute of Computer Engineering fra TU Wien. For de fleste neurale netværk, alt input leveres på én gang, umiddelbart resulterer i en vis output. Men i naturen er tingene meget forskellige.

Tale genkendelse, for eksempel, er altid tidsafhængig, ligesom samtidige oversættelser eller sekvenser af bevægelser, der reagerer på et miljø i forandring. "Sådanne opgaver kan håndteres bedre ved hjælp af det, vi kalder RNN, eller tilbagevendende neurale netværk ", siger Ramin Hasani. "Dette er en arkitektur, der kan fange sekvenser, fordi det får neuroner til at huske, hvad der skete tidligere. "

Hasani og hans kolleger foreslår en ny RNN-arkitektur baseret på en biofysisk neuron- og synapsmodel, der tillader tidsvarierende dynamik. "I en standard RNN-model, der er en konstant forbindelse mellem neuron et og neuron to, definerer, hvor stærkt neurons aktivitet man påvirker aktiviteten af ​​neuron to ", siger Ramin Hasani. "I vores nye RNN -arkitektur, dette link er en ikke -lineær funktion af tiden. "

Ormhjernen, der kan parkere en bil

At tillade celleaktiviteter og forbindelser mellem celler at variere over tid åbner for helt nye muligheder. Ramin Hasani, Mathias Lechner og deres kolleger viste teoretisk, at deres arkitektur kan, i princippet, omtrentlig vilkårlig dynamik. For at demonstrere alsidigheden i den nye tilgang, de udviklede og oplærede et lille neuralt netværk:"Vi omformulerede et neuralt kredsløb fra nervesystemet hos nematoden C. elegans. Det er ansvarligt for at generere en simpel refleksiv adfærd-berøring-tilbagetrækning, "siger Mathias Lechner, der nu arbejder på Institute of Science and Technology (IST) Østrig. "Dette neurale netværk blev simuleret og uddannet til at styre virkelige applikationer."

Succesen er bemærkelsesværdig:de små, simpelt netværk med kun 12 neuroner kan (efter passende uddannelse) løse udfordrende opgaver. For eksempel, den blev trænet til at manøvrere et køretøj ind på en parkeringsplads langs en foruddefineret sti. "Output fra det neurale netværk, som i naturen ville kontrollere bevægelsen af ​​nematodeorme, bruges i vores tilfælde til at styre og fremskynde et køretøj ", siger Hasani. "Vi teoretisk og eksperimentelt demonstrerede, at vores nye neurale netværk kan løse komplekse opgaver i virkeligheden og i simulerede fysiske miljøer."

Den nye tilgang har en anden vigtig fordel:den giver et bedre indblik i det indre virke i det neurale netværk. Tidligere neurale netværk, som ofte bestod af mange tusinde noder, har været så komplekse, at kun de endelige resultater kunne analyseres. Det var næppe muligt at få en dybere forståelse af, hvad der foregår indeni. Det mindre, men ekstremt kraftfulde netværk af Wien -teamet er lettere at analysere, og så kan forskere i det mindste delvist forstå, hvilke nerveceller forårsager hvilke virkninger. "Dette er en stor fordel, der tilskynder os til at undersøge deres egenskaber yderligere", siger Hasani.

Selvfølgelig, dette betyder ikke, at biler i fremtiden vil blive parkeret af kunstige orme, men det viser, at kunstig intelligens med en mere hjernelignende arkitektur kan være langt mere kraftfuld end tidligere antaget.