Peneliti Temukan Pendekatan yang Lebih Fleksibel untuk Pembelajaran Mesin

Peneliti kecerdasan buatan telah merayakan serangkaian kesuksesan dengan jaringan saraf, program komputer yang secara kasar meniru bagaimana otak kita diatur. Namun meskipun mengalami kemajuan pesat, jaringan saraf tetap relatif tidak fleksibel, dengan sedikit kemampuan untuk berubah dengan cepat atau menyesuaikan diri dengan keadaan yang tidak biasa.

Pada tahun 2020, dua peneliti di Massachusetts Institute of Technology memimpin tim yang memperkenalkan jaringan saraf jenis baru berdasarkan kecerdasan kehidupan nyata - tetapi bukan milik kita sendiri. Sebaliknya, mereka mengambil inspirasi dari cacing gelang kecil, Caenorhabditis elegans, untuk menghasilkan apa yang mereka sebut jaringan saraf cair. Setelah terobosan tahun lalu, jaringan baru sekarang mungkin cukup fleksibel untuk menggantikan rekan tradisional mereka untuk aplikasi tertentu.

Jaringan saraf cair menawarkan "alternatif yang elegan dan kompak," kata Ken Goldberg, seorang ahli robot di University of California, Berkeley. Dia menambahkan bahwa percobaan telah menunjukkan bahwa jaringan ini dapat berjalan lebih cepat dan lebih akurat daripada apa yang disebut jaringan saraf waktu kontinu lainnya, yang memodelkan sistem yang bervariasi dari waktu ke waktu.

Ramin Hasani dan Mathias Lechner, kekuatan pendorong di balik desain baru, menyadari hal itu bertahun-tahun yang lalu C. elegans bisa menjadi organisme yang ideal untuk digunakan untuk mempelajari cara membuat jaringan saraf tangguh yang dapat menampung kejutan. Pengumpan bawah sepanjang milimeter adalah salah satu dari sedikit makhluk dengan sistem saraf yang sepenuhnya terpetakan, dan ia mampu melakukan berbagai perilaku tingkat lanjut: bergerak, mencari makan, tidur, kawin, dan bahkan belajar dari pengalaman. “Itu hidup di dunia nyata, di mana perubahan selalu terjadi, dan dapat bekerja dengan baik di hampir semua kondisi yang dihadapinya,” kata Lechner.

Menghormati cacing rendahan membawanya dan Hasani ke jaringan cair baru mereka, di mana setiap neuron diatur oleh persamaan yang memprediksi perilakunya dari waktu ke waktu. Dan sama seperti neuron yang terhubung satu sama lain, persamaan ini bergantung satu sama lain. Jaringan ini pada dasarnya memecahkan seluruh ansambel persamaan yang terhubung ini, yang memungkinkannya untuk mengkarakterisasi keadaan sistem pada saat tertentu — penyimpangan dari jaringan saraf tradisional, yang hanya memberikan hasil pada saat-saat tertentu.

“[Mereka] hanya dapat memberi tahu Anda apa yang terjadi dalam satu, dua, atau tiga detik,” kata Lechner. “Tapi model waktu kontinu seperti kami dapat menggambarkan apa yang terjadi pada 0.53 detik atau 2.14 detik atau waktu lain yang Anda pilih.”

Jaringan cair juga berbeda dalam cara mereka memperlakukan sinapsis, koneksi antara neuron buatan. Kekuatan koneksi tersebut dalam jaringan saraf standar dapat dinyatakan dengan satu angka, bobotnya. Dalam jaringan cair, pertukaran sinyal antar neuron adalah proses probabilistik yang diatur oleh fungsi "nonlinier", yang berarti respons terhadap input tidak selalu proporsional. Penggandaan input, misalnya, dapat menyebabkan pergeseran output yang jauh lebih besar atau lebih kecil. Variabilitas bawaan inilah yang menyebabkan jaringan disebut "cair". Cara neuron bereaksi dapat bervariasi tergantung pada input yang diterimanya.

Sementara algoritme di jantung jaringan tradisional ditetapkan selama pelatihan, saat sistem ini diberi rim data untuk mengkalibrasi nilai terbaik untuk bobotnya, jaringan saraf cair lebih mudah beradaptasi. “Mereka dapat mengubah persamaan dasarnya berdasarkan masukan yang mereka amati,” khususnya mengubah seberapa cepat neuron merespons, kata Daniela Rus, direktur Laboratorium Ilmu Komputer dan Kecerdasan Buatan MIT.

Salah satu tes awal untuk menunjukkan kemampuan ini melibatkan upaya mengemudikan mobil otonom. Jaringan saraf konvensional hanya dapat menganalisis data visual dari kamera mobil pada interval tetap. Jaringan cair — terdiri dari 19 neuron dan 253 sinapsis (menjadikannya sangat kecil menurut standar pembelajaran mesin) — bisa jadi jauh lebih responsif. “Model kami dapat mengambil sampel lebih sering, misalnya saat jalan berkelok-kelok,” kata Rus, salah satu penulis makalah ini dan beberapa makalah lainnya tentang jaringan cair.

Model tersebut berhasil menjaga mobil tetap di jalurnya, tetapi memiliki satu kekurangan, Lechner berkata: "Itu sangat lambat." Masalahnya berasal dari persamaan nonlinier yang mewakili sinapsis dan neuron - persamaan yang biasanya tidak dapat diselesaikan tanpa perhitungan berulang di komputer, yang melewati beberapa iterasi sebelum akhirnya menemukan solusi. Pekerjaan ini biasanya didelegasikan ke paket perangkat lunak khusus yang disebut pemecah, yang perlu diterapkan secara terpisah ke setiap sinapsis dan neuron.

Di sebuah kertas tahun lalu, tim mengungkapkan jaringan saraf cair baru yang mengatasi kemacetan itu. Jaringan ini bergantung pada jenis persamaan yang sama, tetapi kemajuan utamanya adalah penemuan oleh Hasani bahwa persamaan ini tidak perlu diselesaikan melalui perhitungan komputer yang sulit. Alih-alih, jaringan dapat berfungsi menggunakan solusi yang hampir pasti, atau "bentuk tertutup", yang pada prinsipnya dapat dikerjakan dengan pensil dan kertas. Biasanya, persamaan nonlinier ini tidak memiliki solusi bentuk tertutup, tetapi Hasani menemukan solusi pendekatan yang cukup baik untuk digunakan.

“Memiliki solusi bentuk tertutup berarti Anda memiliki persamaan yang dapat Anda masukkan nilai parameternya dan melakukan matematika dasar, dan Anda mendapatkan jawabannya,” kata Rus. "Anda mendapatkan jawaban dalam satu tembakan," daripada membiarkan komputer bekerja sampai memutuskan itu cukup dekat. Itu memotong waktu dan energi komputasi, mempercepat proses secara signifikan.

“Metode mereka mengalahkan kompetisi dengan beberapa kali lipat tanpa mengorbankan akurasi,” kata Sayan Mitra, seorang ilmuwan komputer di University of Illinois, Urbana-Champaign.

Selain lebih cepat, kata Hasani, jaringan terbaru mereka juga luar biasa stabil, artinya sistem dapat menangani masukan yang sangat besar tanpa menjadi rusak. “Kontribusi utama di sini adalah stabilitas dan sifat bagus lainnya dimasukkan ke dalam sistem ini oleh strukturnya yang tipis,” kata Sriram Sankararayanan, seorang ilmuwan komputer di University of Colorado, Boulder. Jaringan cair tampaknya beroperasi dalam apa yang disebutnya "titik manis: Jaringan tersebut cukup rumit untuk memungkinkan hal-hal menarik terjadi, tetapi tidak terlalu rumit hingga mengarah pada perilaku kacau".

Saat ini, grup MIT sedang menguji jaringan terbaru mereka pada drone udara otonom. Meskipun drone itu dilatih untuk bernavigasi di hutan, mereka memindahkannya ke lingkungan perkotaan Cambridge untuk melihat bagaimana ia menangani kondisi baru. Lechner menyebut hasil awal menggembirakan.

Selain menyempurnakan model saat ini, tim juga bekerja untuk meningkatkan arsitektur jaringan mereka. Langkah selanjutnya, kata Lechner, "adalah mencari tahu berapa banyak, atau berapa sedikit, neuron yang sebenarnya kita perlukan untuk melakukan tugas tertentu." Kelompok tersebut juga ingin menemukan cara optimal untuk menghubungkan neuron. Saat ini, setiap neuron terhubung ke setiap neuron lainnya, tetapi bukan itu cara kerjanya C. elegans, di mana koneksi sinaptik lebih selektif. Melalui studi lebih lanjut tentang sistem kabel cacing gelang, mereka berharap dapat menentukan neuron mana dalam sistem mereka yang harus digabungkan.

Terlepas dari aplikasi seperti mengemudi dan terbang secara otonom, jaringan cair tampaknya cocok untuk analisis jaringan tenaga listrik, transaksi keuangan, cuaca, dan fenomena lain yang berfluktuasi dari waktu ke waktu. Selain itu, kata Hasani, versi terbaru dari jaringan cair dapat digunakan untuk melakukan simulasi aktivitas otak pada skala yang tidak dapat diwujudkan sebelumnya.

Mitra sangat tertarik dengan kemungkinan ini. “Di satu sisi, ini agak puitis, menunjukkan bahwa penelitian ini mungkin akan menjadi lingkaran penuh,” katanya. “Jaringan saraf berkembang ke titik di mana gagasan yang kita ambil dari alam dapat segera membantu kita memahami alam dengan lebih baik.”