Autonome maskiner kanter mod større uafhængighed

Biler, der kan køre selvstændigt, har for nylig skabt overskrifter. I den nærmeste fremtid, maskiner, der kan lære selvstændigt, vil blive mere og mere til stede i vores liv. Hemmeligheden bag effektiv læring for disse maskiner er at definere en iterativ proces for at kortlægge udviklingen af, hvordan nøgleaspekter af disse systemer ændrer sig over tid.

I en undersøgelse offentliggjort i EPJ B , Agustín Bilen og Pablo Kaluza fra Universidad Nacional de Cuyo, Mendoza, Argentina viser, at disse smarte systemer kan udvikle sig autonomt til at udføre en specifik og veldefineret opgave over tid. Anvendelser spænder fra nanoteknologi til biologiske systemer, såsom biologiske signaltransduktionsnetværk, genetiske regulatoriske netværk med adaptive responser, eller genetiske netværk, hvor ekspressionsniveauet af visse gener i et netværk svinger fra en tilstand til en anden.

Disse autonome systemer behøver ikke en ekstern vejleder. De rapporterer heller ikke til en central enhed designet til at ændre, hvad systemet skal lære afhængigt af deres ydeevne. For at øge deres autonomi, forfatterne har indbygget forsinket dynamik og en feedback-loop med systemets ydeevne. Den forsinkede dynamik giver information om systemets historie, præsenterer således tidligere forhold mellem dens struktur og ydeevne. På tur, feedback-sløjfen giver information om systemets faktiske ydeevne i forhold til, hvor tæt det er på den ønskede opgave.

Forskerne anvendte først med succes deres tilgang til et neuralt netværk, der er ansvarligt for at klassificere flere mønstre, hvilket gav 66% robusthed. Disse indsigter kan anvendes f.eks. i analog elektronik, hvor et stykke hardware kan lære en opgave selvstændigt uden en central behandlingsenhed eller ekstern kontrol. Holdet testede også deres løsning på et system af faseoscillatorer, som er interessante, fordi populationerne af sådanne oscillatorer viser nogle bemærkelsesværdige synkroniseringstræk. I sådanne tilfælde, autonom læring hjælper med at undgå de iboende fejlsvingninger, der normalt findes i sådanne systemer.