Praėjusiais metais MIT mokslininkai pristatė „skystą“ neuroninį tinklą, sukurtą pagal mažų būtybių smegenis. Atliekant praktines, saugai svarbias užduotis, pvz., vairavimą ir skraidymą, kalbame apie tvirtų, prisitaikančių mašininio mokymosi modelių klasę, kuri gali mokytis darbe ir prisitaikyti prie kintančių sąlygų. Šių „skystų“ neuroninių tinklų pritaikomumas sustiprina mūsų tarpusavyje susieto pasaulio ryšį, o tai reiškia, kad priimami geresni sprendimai atliekant įvairias laiko eilučių duomenų reikalaujančias užduotis, tokias kaip širdies ir smegenų stebėjimas, orų prognozavimas ir akcijų kainodara.
Tačiau didėjant neuronų ir sinapsių skaičiui šiuose modeliuose, jie tampa brangūs ir reikalauja sudėtingų kompiuterinių programų, kad išspręstų sudėtingą matematiką. Kaip ir daugelio fizikinių reiškinių atveju, visos šios aritmetikos sprendimas tampa sunkesnis dėl dydžio, todėl norint rasti sprendimą, reikia apskaičiuoti daug mažų žingsnelių.
Ta pati mokslininkų komanda rado būdą, kaip sumažinti šią kliūtį, išspręsdama diferencialinę lygtį, kuria grindžiamas dviejų neuronų ryšys per sinapses, kad atskleistų naują greitų ir efektyvių AI sistemų klasę. Nors šie režimai yra daug greitesni ir keičiamo dydžio nei skystieji neuroniniai tinklai, jie turi tas pačias lanksčias, priežastines, tvirtas ir paaiškinamas savybes.
Dėl to, kadangi jie yra maži ir lankstūs net po treniruotės – skirtingai nuo daugelio tradicinių modelių, kurie yra fiksuoti – šio tipo neuroniniai tinklai gali būti naudojami bet kokiai užduočiai, kuri apima duomenų įžvalgą laikui bėgant.
„Uždaros formos nepertraukiamo laiko“ (CfC) neuroninių tinklų modeliai pralenkė savo naujausius modelius atliekant įvairias užduotis, įskaitant įvykiais pagrįstą nuoseklų vaizdų apdorojimą, imituojamo vaikščiojančio roboto fizinės dinamikos modeliavimą ir žmogaus veiklos atpažinimą iš judesio jutikliai. Pavyzdžiui, nauji modeliai buvo 8.000 kartų greitesni 220 pacientų imtyje, atliekant medicininės prognozės užduotį.
Pasak MIT profesorės Danielos Rus, Kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) direktorės ir naujojo straipsnio vyresniosios autorės, „nauji mašininio mokymosi modeliai, kuriuos vadiname CfC, yra orientuoti į skaitmeninę integraciją, pakeičiančią diferencialinę lygtį. kuris apibūdina neurono skaičiavimą uždaros formos metodu. išlaiko gražias skystų tinklelių savybes be reikalo „CfC modeliai yra veiksmingi, priežastiniai, sutrumpinti ir paaiškinami, kad juos būtų galima mokyti ir numatyti. Jie atveria duris patikimam mašininiam mokymuisi saugumui svarbiose programose.
Mes galime apskaičiuoti besikeičiančią pasaulio būseną ar reiškinį laikui bėgant, naudodami diferencialines lygtis, tačiau tai galime padaryti tik žingsnis po žingsnio laikui bėgant. Komanda išnaršė savo matematinių gudrybių maišus, kad rastų tobulą sprendimą.
„Uždaros formos“ sprendimas, modeliuojantis visą visos sistemos aprašymą vienu skaičiavimo žingsniu, siekiant modeliuoti gamtos reiškinius laikui bėgant ir suprasti praeities bei dabarties elgesį, pavyzdžiui, atpažinti žmogaus veiklą ar roboto nueitą kelią.
Jų modelis leidžia apskaičiuoti šią lygtį bet kuriuo praeities ar ateities tašku. Negana to, apskaičiavimas yra daug greitesnis, nes diferencialinės lygties nereikia spręsti žingsnis po žingsnio.
Įsivaizduokite neuroninį tinklą nuo galo iki galo, kuris naudoja automobilyje įmontuotą kamerą vairavimo įvestis. Tinklas yra išmokytas gaminti tokius rezultatus kaip automobilio vairavimo kampas. 2020 metais komandai pavyko sukurti automobilį, kurį galėtų vairuoti 19 neuronų ir nedidelį jutimo modulį, naudojant 19 mazgų skysčių neuroninius tinklus. Kiekvienas sistemos mazgas apibūdinamas diferencialine lygtimi. Kadangi uždaros formos sprendimas yra geras tikrosios sistemos dinamikos apytikslis vaizdas, jį pakeitus šiame tinkle, elgsena bus būtent tokia, kokios ieškote. Dėl to jie gali išspręsti problemą su dar mažiau neuronų, todėl procesas bus greitesnis ir skaičiavimo požiūriu pigesnis.
Šaltinis ir daugiau skaitymo: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html
Günceleme: 21/11/2022 14:03
Būkite pirmas, kuris komentuoja