Bevezetés
A mesterséges intelligencia kutatói számos sikert ünnepeltek neurális hálózatok, számítógépes programok, amelyek nagyjából utánozzák agyunk szervezetét. De a gyors fejlődés ellenére a neurális hálózatok viszonylag rugalmatlanok maradnak, és alig tudnak menet közben változni vagy alkalmazkodni az ismeretlen körülményekhez.
2020-ban a Massachusetts Institute of Technology két kutatója vezetett egy csoportot, amely bemutatta egy újfajta neurális hálózat valós intelligencia alapján – de nem a sajátunkon. Ehelyett az apró orsóféregtől merítettek ihletet, Caenorhabditis elegans, hogy létrehozzák az úgynevezett folyékony neurális hálózatokat. A tavalyi áttörést követően az új hálózatok már elég sokoldalúak lehetnek ahhoz, hogy bizonyos alkalmazásokban kiszorítsák hagyományos társaikat.
A folyékony neurális hálózatok „elegáns és kompakt alternatívát kínálnak” – mondta Ken Goldberg, a Berkeley-i Kaliforniai Egyetem robotikusa. Hozzátette: a kísérletek már azt mutatják, hogy ezek a hálózatok gyorsabban és pontosabban tudnak futni, mint más úgynevezett folyamatos idejű neurális hálózatok, amelyek idővel változó rendszereket modelleznek.
Ramin Hasani és a Mathias Lechner, az új dizájn mozgatórugói évekkel ezelőtt rájöttek, hogy C.elegans ideális organizmus lehet arra, hogy kitaláljuk, hogyan lehet rugalmas neurális hálózatokat létrehozni, amelyek képesek ellenállni a meglepetéseknek. A milliméter hosszú fenéketető azon kevés lények közé tartozik, amelyek teljesen feltérképezett idegrendszerrel rendelkeznek, és számos fejlett viselkedésre képes: mozogni, táplálékot találni, aludni, párosodni és még tanulni is a tapasztalatokból. „A valós világban él, ahol mindig változás történik, és szinte bármilyen körülmény között jól teljesít” – mondta Lechner.
Az alantas féreg iránti tisztelet elvezette őt és Hasanit az új folyékony hálózatukhoz, ahol minden idegsejtet egy egyenlet irányít, amely előrejelzi a viselkedését az idő múlásával. És ahogy a neuronok kapcsolódnak egymáshoz, ezek az egyenletek is függenek egymástól. A hálózat lényegében megoldja az összekapcsolt egyenletek teljes halmazát, lehetővé téve a rendszer állapotának egy adott pillanatban történő jellemzését – ami eltér a hagyományos neurális hálózatoktól, amelyek csak bizonyos időpillanatokban adják meg az eredményeket.
"[Ők] csak egy, két vagy három másodperc múlva tudják megmondani, mi történik" - mondta Lechner. „De egy olyan folyamatos idejű modell, mint a miénk, le tudja írni, mi történik 0.53 másodpercnél vagy 2.14 másodpercnél, vagy bármely más időpontban.
A folyékony hálózatok abban is különböznek, hogyan kezelik a szinapszisokat, a mesterséges neuronok közötti kapcsolatokat. Ezen kapcsolatok erőssége egy szabványos neurális hálózatban egyetlen számmal, annak súlyával fejezhető ki. A folyékony hálózatokban a neuronok közötti jelcsere valószínűségi folyamat, amelyet egy „nemlineáris” függvény irányít, ami azt jelenti, hogy a bemenetekre adott válaszok nem mindig arányosak. A bemenet megkétszerezése például sokkal nagyobb vagy kisebb eltolódást eredményezhet a kimenetben. Ez a beépített változékonyság az oka annak, hogy a hálózatokat „folyékonynak” nevezik. Egy neuron reakciója a kapott bemenettől függően változhat.
Bevezetés
Míg a hagyományos hálózatok középpontjában álló algoritmusokat edzés közben állítják be, amikor ezeket a rendszereket adathalmazokkal táplálják a súlyuk legjobb értékeinek kalibrálása érdekében, a folyékony neurális hálók jobban alkalmazkodnak. "Képesek megváltoztatni a mögöttes egyenleteiket az általuk megfigyelt bemenet alapján", ami konkrétan megváltoztatja a neuronok reagálási sebességét. Daniela rus, az MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának igazgatója.
Az egyik korai teszt ennek a képességnek a bemutatására egy autonóm autó kormányzásának kísérlete volt. Egy hagyományos neurális hálózat csak meghatározott időközönként tudta elemezni az autó kamerájából származó vizuális adatokat. A 19 neuronból és 253 szinapszisból álló folyékony hálózat (amely a gépi tanulás szabványai szerint kicsi) sokkal érzékenyebb. „Modellünk gyakrabban tud mintavételezni, például ha kanyargós az út” – mondta Rus, ennek és számos más, a folyékony hálózatokról szóló tanulmánynak a társszerzője.
A modell sikeresen tartotta az autót a pályán, de volt egy hibája, Lechner elmondta: "Nagyon lassú volt." A probléma a szinapszisokat és neuronokat reprezentáló nemlineáris egyenletekből ered – olyan egyenletek, amelyek általában nem oldhatók meg számítógépen végzett ismételt számítások nélkül, amelyek többszörös iteráción mennek keresztül, mielőtt végül konvergálnak a megoldáshoz. Ezt a feladatot általában a megoldónak nevezett dedikált szoftvercsomagokra delegálják, amelyeket minden szinapszisra és neuronra külön kell alkalmazni.
egy tavalyi papír, a csapat felfedett egy új folyékony neurális hálózatot, amely megkerülte ezt a szűk keresztmetszetet. Ez a hálózat ugyanilyen típusú egyenletekre támaszkodott, de a legfontosabb előrelépés Hasani felfedezése volt, miszerint ezeket az egyenleteket nem kell fáradságos számítógépes számításokkal megoldani. Ehelyett a hálózat működhetne egy szinte pontos, vagy „zárt formájú” megoldással, amely elvileg ceruzával és papírral is kidolgozható. Általában ezek a nemlineáris egyenletek nem tartalmaznak zárt formájú megoldásokat, de Hasani olyan közelítő megoldást talált, amely elég jó volt a használatra.
"A zárt formájú megoldás azt jelenti, hogy van egy egyenlete, amelyhez csatlakoztathatja a paramétereinek értékeit, és elvégezheti az alapvető matematikai műveleteket, és megkapja a választ" - mondta Rus. „Egyetlen lövés alatt megkapja a választ”, ahelyett, hogy hagyná, hogy a számítógép őröljön, amíg úgy nem dönti, hogy elég közel van. Ez csökkenti a számítási időt és energiát, és jelentősen felgyorsítja a folyamatot.
„Módszerük az, hogy több nagyságrenddel legyőzik a versenytársakat a pontosság feláldozása nélkül” – mondta Sayan Mitra, az Illinoisi Egyetem informatikusa, Urbana-Champaign.
Amellett, hogy gyorsabbak, Hasani elmondta, legújabb hálózataik szokatlanul stabilak is, ami azt jelenti, hogy a rendszer hatalmas bemeneteket tud kezelni anélkül, hogy tönkremenne. "A fő hozzájárulás itt az, hogy a stabilitást és más jó tulajdonságokat a puszta szerkezetük adja bele ezekbe a rendszerekbe" - mondta Sriram Sankaranarayanan, a Colorado Egyetem informatikusa, Boulder. Úgy tűnik, hogy a folyékony hálózatok az általa „édes helynek” nevezett helyen működnek: elég összetettek ahhoz, hogy érdekes dolgok történhessenek, de nem annyira bonyolultak, hogy kaotikus viselkedéshez vezessenek.
Az MIT csoport jelenleg egy autonóm légi drónon teszteli legújabb hálózatát. Noha a drónt erdőben való navigálásra képezték ki, áthelyezték Cambridge városi környezetébe, hogy lássák, hogyan kezeli az újszerű körülményeket. Lechner biztatónak nevezte az előzetes eredményeket.
A jelenlegi modell finomításán túl a csapat a hálózat architektúrájának fejlesztésén is dolgozik. Lechner szerint a következő lépés az, hogy kitaláljuk, hány vagy hány neuronra van szükségünk egy adott feladat elvégzéséhez. A csoport a neuronok összekapcsolásának optimális módját is szeretné kidolgozni. Jelenleg minden neuron minden más neuronhoz kapcsolódik, de ez nem így működik C.elegans, ahol a szinaptikus kapcsolatok szelektívebbek. A hengeres giliszta vezetékrendszerének további tanulmányozása révén azt remélik, hogy meghatározzák, hogy rendszerük mely neuronjait kell összekapcsolni.
Az olyan alkalmazásoktól eltekintve, mint az autonóm vezetés és a repülés, a folyékony hálózatok alkalmasnak tűnnek az elektromos hálózatok, a pénzügyi tranzakciók, az időjárás és egyéb, idővel ingadozó jelenségek elemzésére. Ezenkívül Hasani elmondta, hogy a folyékony hálózatok legújabb verziója felhasználható „olyan léptékű agyi aktivitás szimulációk végrehajtására, amelyek korábban nem valósíthatók meg”.
Mitra különösen érdekli ez a lehetőség. "Bizonyos értelemben ez költői, azt mutatja, hogy ez a kutatás a teljes körbe kerülhet" - mondta. "A neurális hálózatok olyan mértékben fejlődnek, hogy a természetből merített ötleteink hamarosan segíthetnek jobban megérteni a természetet."
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://www.quantamagazine.org/researchers-discover-a-more-flexible-approach-to-machine-learning-20230207/
- 2020
- a
- képesség
- Képes
- elhelyezésére
- pontosság
- pontosan
- tevékenység
- tulajdonképpen
- hozzáadott
- mellett
- előre
- fejlett
- Után
- algoritmusok
- lehetővé téve
- már
- alternatív
- mindig
- között
- elemzés
- elemez
- és a
- válasz
- alkalmazások
- alkalmazott
- megközelítés
- építészet
- körül
- mesterséges
- mesterséges intelligencia
- megkísérlése
- autonóm
- alapján
- alapvető
- előtt
- mögött
- hogy
- Berkeley
- BEST
- Jobb
- között
- nagyobb
- Alsó
- Agy
- Agyi tevékenység
- áttörés
- beépített
- számítások
- Kalifornia
- hívott
- Cambridge
- szoba
- nem tud
- képes
- autó
- ünnepelt
- bizonyos
- változik
- változó
- jellemez
- Kör
- körülmények
- közel
- Társszerző
- Colorado
- érkező
- verseny
- bonyolult
- számítógép
- Computer Science
- Körülmények
- Csatlakozó
- kapcsolatok
- Összeáll
- hozzájárulás
- hagyományos
- összetartó
- tudott
- összekapcsolt
- Jelenlegi
- Jelenleg
- vágások
- dátum
- Döntés
- elszánt
- attól
- leírni
- Design
- Ellenére
- Határozzuk meg
- fejlesztése
- valuta
- különbözik
- Igazgató
- felfedez
- felfedezés
- megduplázásával
- vezetés
- zümmög
- alatt
- minden
- Korai
- elektromos
- bátorító
- energia
- hatalmas
- elég
- Egész
- Környezet
- egyenletek
- lényegében
- Még
- végül is
- Minden
- csere
- tapasztalat
- kifejezve
- gyorsabb
- Fed
- kevés
- Ábra
- pénzügyi
- megtalálása
- rögzített
- hibája
- rugalmas
- repülés
- ingadozik
- élelmiszer
- erők
- erdő
- gyakran
- ból ből
- Tele
- teljesen
- funkció
- további
- kap
- GitHub
- Ad
- adott
- Goes
- megy
- jó
- Csoport
- fogantyú
- Fogantyúk
- történik
- Szív
- segít
- itt
- Találat
- remény
- Hogyan
- How To
- HTTPS
- ideális
- ötletek
- Illinois
- javul
- in
- bemenet
- Ihlet
- példa
- helyette
- Intézet
- Intelligencia
- érdekes
- Bevezetett
- részt
- IT
- iterációk
- Munka
- Kulcs
- Kedves
- laboratórium
- keresztnév
- Tavaly
- legutolsó
- vezet
- tanulás
- Led
- bérbeadása
- összekapcsolt
- linkek
- Folyadék
- folyékony hálózat
- kis
- életek
- gép
- gépi tanulás
- Fő
- csinál
- Gyártás
- sok
- Massachusetts
- Massachusetts Institute of Technology
- matematikai
- jelenti
- eszközök
- módszer
- MIT
- modell
- pillanat
- Pillanatok
- több
- mozgó
- többszörös
- Természet
- Keresse
- Szükség
- Nets
- hálózat
- hálózatok
- neurális hálózat
- neurális hálózatok
- neuronok
- Új
- legújabb
- következő
- regény
- szám
- megfigyelni
- ajánlat
- ONE
- működik
- optimálisan
- rendelés
- Szervezett
- Más
- saját
- csomagok
- Papír
- papírok
- paraméterek
- különös
- különösen
- Teljesít
- vedd
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- lehetőség
- hatalom
- jósolja
- alapelv
- Probléma
- folyamat
- gyárt
- Programok
- Haladás
- ingatlanait
- Quantamagazine
- gyorsan
- hatótávolság
- gyors
- reagál
- igazi
- való Világ
- realizált
- kap
- viszonylag
- marad
- megismételt
- képviselő
- kutatás
- kutatók
- rugalmas
- Reagálni
- Eredmények
- Revealed
- út
- nagyjából
- futás
- feláldozása
- Mondott
- azonos
- Skála
- Tudomány
- Tudós
- másodperc
- szelektív
- készlet
- számos
- váltás
- kellene
- kirakat
- jelek
- egyetlen
- lassú
- kisebb
- So
- szoftver
- megoldások
- Megoldások
- Megoldja
- kifejezetten
- Spot
- Stabilitás
- stabil
- standard
- szabványok
- Állami
- Lépés
- erő
- struktúra
- tanulmányok
- sikeresen
- meglepetés
- édes
- Szinapszis
- szinapszisok
- rendszer
- Systems
- Feladat
- csapat
- Technológia
- teszt
- Tesztelés
- A
- Az állam
- azok
- dolgok
- három
- Keresztül
- idő
- nak nek
- együtt
- vágány
- hagyományos
- kiképzett
- Képzések
- Tranzakciók
- kezelésére
- jellemzően
- alatt
- mögöttes
- megért
- ismeretlen
- egyetemi
- University of California
- városi
- us
- használ
- rendszerint
- Értékek
- sokoldalú
- változat
- időjárás
- webp
- súly
- Mit
- ami
- nélkül
- dolgozott
- dolgozó
- művek
- világ
- féreg
- lenne
- év
- év
- te
- zephyrnet