Hjernen inspirerer til en ny type kunstig intelligens

Maskinelæring, introduceret for 70 år siden, er baseret på beviser for dynamikken i læring i hjernen. Ved at bruge hastigheden af ​​moderne computere og store datasæt, dyb læringsalgoritmer har for nylig produceret resultater, der kan sammenlignes med dem, som menneskelige eksperter inden for forskellige relevante områder har, men med forskellige karakteristika, der er fjernt fra den nuværende viden om læring i neurovidenskab.

Ved at bruge avancerede eksperimenter på neuronale kulturer og simuleringer i stor skala, en gruppe videnskabsmænd ved Bar-Ilan University i Israel har demonstreret en ny type ultrahurtige kunstig intelligens-algoritmer – baseret på den meget langsomme hjernedynamik – som overgår læringshastigheder opnået til dato med state-of-the-art læringsalgoritmer.

I en artikel offentliggjort i dag i tidsskriftet Videnskabelige rapporter , forskerne genopbygger broen mellem neurovidenskab og avancerede kunstig intelligens-algoritmer, der har været praktisk talt ubrugelige i næsten 70 år.

"Det nuværende videnskabelige og teknologiske synspunkt er, at neurobiologi og maskinlæring er to adskilte discipliner, der udviklede sig uafhængigt, " sagde undersøgelsens hovedforfatter, Prof. Ido Kanter, ved Bar-Ilan University's Institut for Fysik og Gonda (Goldschmied) Multidisciplinary Brain Research Center. "Fraværet af forventet gensidig indflydelse er forvirrende."

"Antallet af neuroner i en hjerne er mindre end antallet af bits i en typisk diskstørrelse på moderne personlige computere, og hjernens beregningshastighed er som sekundviseren på et ur, endnu langsommere end den første computer, der blev opfundet for over 70 år siden, " fortsatte han. "Desuden hjernens indlæringsregler er meget komplicerede og fjernt fra principperne for indlæringstrin i nuværende kunstig intelligens-algoritmer, " tilføjede prof. Kanter, hvis forskerhold omfatter Herut Uzan, Shira Sardi, Amir Goldental og Roni Vardi.

Hjernens dynamik er ikke i overensstemmelse med et veldefineret ur, der er synkroniseret for alle nerveceller, da den biologiske ordning skal klare asynkrone input, efterhånden som den fysiske virkelighed udvikler sig. "Når man ser fremad, observerer man straks en ramme med flere objekter. For eksempel, under kørsel observerer man biler, fodgængerfelter, og vejskilte, og kan nemt identificere deres tidsmæssige rækkefølge og relative positioner, " sagde prof. Kanter. "Biologisk hardware (læringsregler) er designet til at håndtere asynkrone input og forfine deres relative information." traditionelle kunstig intelligens-algoritmer er baseret på synkrone input, derfor ignoreres den relative timing af forskellige input, der udgør den samme ramme, typisk.

Den nye undersøgelse viser, at ultrahurtige læringshastigheder er overraskende identiske for små og store netværk. Derfor, siger forskerne, "ulempen ved den komplicerede hjernes læringsskema er faktisk en fordel." Et andet vigtigt fund er, at læring kan ske uden læringstrin gennem selvtilpasning i henhold til asynkrone input. Denne type læring-uden-læring forekommer i dendritterne, flere terminaler af hver neuron, som det for nylig blev observeret eksperimentelt. Ud over, netværksdynamik under dendritisk læring er styret af svage vægte, som tidligere blev anset for ubetydelige.

Ideen om effektive deep learning-algoritmer baseret på den meget langsomme hjernes dynamik giver mulighed for at implementere en ny klasse af avanceret kunstig intelligens baseret på hurtige computere. Det opfordrer til at genoptage broen fra neurobiologi til kunstig intelligens og, som forskergruppen konkluderer, "Indsigt om grundlæggende principper i vores hjerne skal igen være i centrum for fremtidens kunstige intelligens."