Дослідники з МРЦ Центру динаміки мозкової мережі та Комп’ютерної наукової кафедри Оксфордського університету зробили проривне відкриття в розумінні того, як мозок регулює зв’язки між нейронами під час процесу навчання. Їх відкриття може відкрити шлях до більш ефективних навчальних алгоритмів в штучному інтелекті.
Традиційний метод навчання в штучному інтелекті передбачає налаштування параметрів моделі для мінімізації помилки у виході, процес, відомий як зворотне розповсюдження. Однак дослідники з’ясували, що мозок використовує фундаментально відмінний принцип навчання.
Через вивчення математичних моделей та комп’ютерного моделювання, вчені виявили новий принцип навчання, який назвали “перспективною конфігурацією”. На відміну від штучних нейронних мереж, які змінюють синаптичні зв’язки зовні, щоб знизити помилки, людський мозок спочатку установлює активність нейронів в оптимальний збалансований стан, а потім регулює синаптичні зв’язки. Цей підхід знижує втручання і зберігає наявні знання, що призводить до швидшого та ефективнішого навчання.
Для наочності даного концепту, дослідники використали приклад ведмедя, який ловить лосося. У штучній нейронній мережі, якщо ведмідь не може почути річку (через пошкоджений вухо), йому також втрачається здатність відчувати запах лосося, що призводить до помилкового висновку, що у річці немає риби. Однак у мозку тварини відсутність звуку не перешкоджає знанню про появу запаху лосося, що дозволяє ведмедю успішно продовжувати своє полювання.
Дослідники розробили математичну теорію для підтримки принципу перспективної конфігурації, продемонструвавши його перевагу у поясненні нейронної активності та поведінки у різних експериментах з навчання порівняно з штучними нейронними мережами.
Хоча ще існує розрив між абстрактними моделями та нашим розумінням анатомії мозку, дослідники мають намір залагодити цей розрив через подальші дослідження. Вони планують дослідити, як алгоритм перспективної конфігурації реалізується у визначених анатомічно кортикальних мережах.
Однак реалізація перспективної конфігурації на існуючих комп’ютерах є повільною та енергоємною. Дослідники вказують на необхідність нових типів комп’ютерів або апаратних засобів, натхненних мозком, для швидкої і ефективної симуляції цього принципу навчання.
Це проривне дослідження відкриває нові можливості для вдосконалення навчальних алгоритмів як у штучному інтелекті, так і у розумінні того, як людський мозок навчається та зберігає інформацію.
The source of the article is from the blog japan-pc.jp