یادگیری ماشینی ، که 70 سال پیش معرفی شده است ، براساس شواهدی از پویایی یادگیری در مغز است. با استفاده از سرعت رایانه های مدرن و مجموعه داده های بزرگ ، الگوریتم های یادگیری عمیق اخیراً نتایج قابل مقایسه با آن را از متخصصان انسانی در زمینه های مختلف کاربردی تولید کرده اند ، اما با ویژگی های مختلفی که از دانش فعلی یادگیری در علوم اعصاب فاصله دارد.
با استفاده از آزمایش های پیشرفته در فرهنگ های عصبی و شبیه سازی های در مقیاس بزرگ ، گروهی از دانشمندان در دانشگاه بار ایلان در اسرائیل نوع جدیدی از الگوریتم های هوش مصنوعی ultrafast - براساس پویایی بسیار کند مغز - را نشان داده اند که نسبت به نرخ یادگیری به دست آمده توسط ایالتی فراتر است. الگوریتم های یادگیری از هنر
در مقاله ای که امروز در ژورنال Science Reports منتشر شده است ، محققان پلی بین علوم اعصاب و الگوریتم های هوش مصنوعی پیشرفته را بازسازی می کنند که تقریباً 70 سال است که تقریباً بی فایده مانده اند.
پروفسور ایوود کانتر ، رئیس دانشکده فیزیک و باران ایلان ، دانشکده فیزیک و گوندا (Goldschmied) ، مرکز تحقیقات مغز گفت: " دیدگاه علمی و فناوری فعلی این است که نوروبیولوژی و یادگیری ماشینی دو رشته مجزا هستند که به طور مستقل پیشرفت می کنند." . "عدم وجود تأثیر متقابل انتظار می رود گیج کننده باشد."
وی ادامه داد: تعداد نورون های مغز از تعداد بیت های اندازه دیسک معمولی رایانه های شخصی مدرن کمتر است و سرعت محاسباتی مغز مانند دست دوم در یک ساعت است ، حتی کندتر از اولین رایانه ای که بیش از 70 اختراع کرده است. سالها پیش ، "او ادامه داد. پروفسور کانتر که تیم تحقیقاتی وی شامل هروت اوزان ، شیرا ساردی ، امیر گلدنتال و رونی وردی است ، افزود: "علاوه بر این ، قوانین یادگیری مغز بسیار پیچیده و از اصول مراحل یادگیری در الگوریتم های هوش مصنوعی کنونی فاصله دارد."
بیشتر بخوانید: ترانسمیتر فشار چیست؟
دینامیک مغز با یک ساعت هماهنگ شده هماهنگ برای همه سلولهای عصبی مطابقت ندارد ، از آنجا که با توجه به اینکه واقعیت بدنی شکل می گیرد ، برنامه بیولوژیکی باید با ورودی های ناهمزمان مقابله کند. پروفسور کانتر گفت: "هنگامی که به جلو نگاه می کنیم ، بلافاصله یک قاب را با اشیاء متعدد مشاهده می کنید. به عنوان مثال ، در هنگام رانندگی خودروها ، معابر پیاده و علائم راهنمایی و رانندگی را مشاهده می کنید و به راحتی می تواند ترتیب زمانی و موقعیت های نسبی آنها را مشخص کند." "سخت افزار بیولوژیکی (قوانین یادگیری) برای مقابله با ورودی های ناهمزمان و پالایش اطلاعات نسبی آنها طراحی شده است." در مقابل ، الگوریتم های هوش مصنوعی سنتی مبتنی بر ورودی های همزمان هستند ، از این رو زمان بندی نسبی ورودی های مختلف تشکیل دهنده همان قاب به طور معمول نادیده گرفته می شود.
مطالعه جدید نشان می دهد که میزان یادگیری ultrafast به طور شگفت آور برای شبکه های کوچک و بزرگ یکسان است. از این رو ، محققان می گویند ، "ضرر طرح یادگیری پیچیده مغز در واقع یک مزیت است." یافته مهم دیگر این است که یادگیری می تواند بدون انجام مراحل یادگیری از طریق خود سازگاری با توجه به ورودی های ناهمزمان رخ دهد. این نوع یادگیری بدون یادگیری در دندریت ها ، چندین پایانه از هر نورون اتفاق می افتد ، همانطور که اخیراً به طور تجربی مشاهده شد. علاوه بر این ، پویایی شبکه تحت یادگیری دندریتیک توسط وزنهای ضعیف که قبلاً ناچیز تلقی می شدند اداره می شود.
ایده الگوریتم های یادگیری عمیق کارآمد مبتنی بر پویایی بسیار کند مغز فرصتی را برای پیاده سازی کلاس جدیدی از هوش مصنوعی پیشرفته مبتنی بر رایانه های سریع فراهم می کند. این امر خواستار تقویت مجدد این پل از عصب شناسی به هوش مصنوعی است و همانطور که گروه تحقیق نتیجه می گیرد ، "بینش اصول اساسی مغز ما باید یک بار دیگر در مرکز هوش مصنوعی آینده باشد."
نظرات شما عزیزان:
