Pagājušajā gadā MIT pētnieki atklāja "šķidro" neironu tīklu, kas veidots pēc sīku radījumu smadzenēm. Praktiskiem, drošībai svarīgiem uzdevumiem, piemēram, braukšanai un lidošanai, mēs runājam par izturīgu, adaptīvu mašīnmācīšanās modeļu klasi, kas var mācīties darbā un pielāgoties mainīgajiem apstākļiem. Šo “šķidro” neironu tīklu pielāgošanās spēja stiprina mūsu savstarpēji saistītās pasaules komunikāciju, kas nozīmē labāku lēmumu pieņemšanu dažādiem laikrindu datu ietilpīgiem uzdevumiem, piemēram, sirds un smadzeņu uzraudzību, laikapstākļu prognozēšanu un akciju cenu noteikšanu.
Tomēr, palielinoties neironu un sinapsu skaitam šajos modeļos, tie kļūst skaitļošanas ziņā dārgi un prasa apgrūtinošas datorprogrammas, lai atrisinātu sarežģīto matemātiku. Un tāpat kā ar daudzām fizikālām parādībām, visas šīs aritmētikas atrisināšana kļūst grūtāka ar lielumu, kas prasa daudz mazu soļu aprēķināšanu, lai nonāktu pie risinājuma.
Tā pati zinātnieku komanda atrada veidu, kā samazināt šo vājo vietu, atrisinot diferenciālvienādojumu, kas ir pamatā divu neironu savienojumam caur sinapsēm, lai atklātu jaunu ātru un efektīvu AI sistēmu klasi. Lai gan šie režīmi ir daudz ātrāki un mērogojami nekā šķidrie neironu tīkli, tiem ir tādas pašas elastīgas, cēloņsakarības, stabilas un izskaidrojamas funkcijas.
Rezultātā, tā kā tie ir mazi un elastīgi pat pēc apmācības – atšķirībā no daudziem tradicionālajiem fiksētajiem modeļiem – šāda veida neironu tīklus var izmantot jebkuram uzdevumam, kas saistīts ar ieskatu gūšanu datos laika gaitā.
"Slēgtas formas nepārtraukta laika" (CfC) neironu tīklu modeļi pārspēja savus jaunākos līdziniekus dažādos uzdevumos, tostarp uz notikumiem balstītā secīgā attēlu apstrādē, simulēta staigājoša robota fiziskās dinamikas modelēšanā un cilvēka darbības atpazīšanā no kustības sensori. Piemēram, jaunie modeļi bija 8.000 reizes ātrāki paraugā, kurā bija 220 pacientu medicīniskās prognozēšanas uzdevumam.
Pēc MIT profesores Danielas Rusas, Datorzinātnes un mākslīgā intelekta laboratorijas (CSAIL) direktores un jaunā dokumenta vecākā autore, teiktā: “Jaunie mašīnmācīšanās modeļi, kurus mēs saucam par “CfC”, ir vērsti uz skaitlisko integrāciju, aizstājot diferenciālvienādojumu. kas apraksta neirona aprēķinus ar slēgtas formas pieeju. saglabā šķidro acu skaistās īpašības bez nepieciešamības “CfC modeļi ir efektīvi, cēloņsakarīgi, saīsināti un izskaidrojami, lai tos apmācītu un prognozētu. Tie paver durvis uz uzticamu mašīnmācību lietojumprogrammām, kas ir būtiskas drošībai.
Mēs varam aprēķināt mainīgo pasaules stāvokli vai parādību laika gaitā, izmantojot diferenciālvienādojumus, bet mēs varam to izdarīt tikai soli pa solim laika gaitā. Komanda rakņājās pa saviem matemātisko triku maisiem, lai atrastu ideālo risinājumu.
"Slēgtas formas" risinājums, kas modelē visu visas sistēmas aprakstu vienā skaitļošanas solī, lai modelētu dabas parādības laika gaitā un izprastu pagātnes un tagadnes uzvedību, piemēram, atpazītu cilvēka darbības vai ceļu, pa kuru seko robots.
Viņu modelis ļauj aprēķināt šo vienādojumu jebkurā pagātnes vai nākotnes punktā. Ne tikai tas, ka aprēķins ir daudz ātrāks, jo diferenciālvienādojums nav jāatrisina soli pa solim.
Iedomājieties pilnīgu neironu tīklu, kas izmanto automašīnā iebūvētu kameru, lai nodrošinātu braukšanas ievadi. Tīkls ir apmācīts, lai radītu tādus rezultātus kā automašīnas stūres leņķis. 2020. gadā komandai izdevās izveidot automašīnu, kuru varētu vadīt 19 neironi, un nelielu sensoru moduli, izmantojot 19 mezglu šķidruma neironu tīklus. Katrs sistēmas mezgls ir aprakstīts ar diferenciālvienādojumu. Tā kā slēgtās formas risinājums ir labs sistēmas faktiskās dinamikas tuvinājums, mainot to šajā tīklā, tiks iegūta tieši tāda uzvedība, kādu meklējat. Rezultātā viņi var atrisināt problēmu ar vēl mazāku neironu skaitu, padarot procesu ātrāku un skaitļošanas ziņā lētāku.
Avots un papildu lasīšana: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html
Günceleme: 21/11/2022 14:03
Esi pirmais, kas komentē