欢迎光临
我们一直在努力
您的位置:首页>人工智能 >

大脑启发新型人工智能

70年前推出的机器学习是基于我们大脑学习动力学的证据。利用现代计算机和大型数据集的速度,深度学习算法最近产生的结果可与各种适用领域的人类专家相媲美,但具有与当前神经科学学习知识相悖的不同特征。

通过对神经元培养和大规模模拟的高级实验,以色列Bar-Ilan大学的一组科学家展示了一种新型的超快人工智能算法 - 基于非常缓慢的大脑动力学 - 其表现优于迄今为止国家实现的学习率最先进的学习算法。

在“科学报告”杂志上发表的一篇文章中,研究人员重建了神经科学与先进人工智能算法之间的桥梁,这种算法近70年来几乎没用。

“目前的科学和技术观点是神经生物学和机器学习是两个独立发展的独立学科,”该研究的主要作者,巴伊兰大学物理系和Gonda(Goldschmied)多学科脑研究中心的Ido Kanter教授说。 。“缺乏预期的互惠影响令人费解。”

“大脑中的神经元数量少于现代个人计算机典型光盘大小的位数,大脑的计算速度就像时钟上的秒针一样,甚至比第一台70多岁的计算机还要慢。多年前,“他继续道。“此外,大脑的学习规则非常复杂,远离当前人工智能算法学习步骤的原则,”坎特教授补充说,他的研究团队包括Herut Uzan,Shira Sardi,Amir Goldental和Roni Vardi。

脑动力学不符合为所有神经细胞同步的明确定义的时钟,因为随着物理现实的发展,生物学方案必须应对异步输入。“当向前看时,会立即观察到具有多个物体的帧。例如,驾驶时可以观察汽车,行人过路处和道路标志,并可以轻松识别其时间顺序和相对位置,“坎特教授说。“生物硬件(学习规则)旨在处理异步输入并改进其相关信息。”相反,传统的人工智能算法基于同步输入,因此通常忽略构成同一帧的不同输入的相对定时。

这项新研究表明,对于小型和大型网络而言,超快学习率是惊人的相同。因此,研究人员说,“复杂的大脑学习方案的缺点实际上是一个优势”。另一个重要的发现是,学习可以在没有根据异步输入通过自适应学习步骤的情况下发生。这种类型的学习 - 无学习发生在树突中,每个神经元的几个末端,如最近的实验观察到的那样。此外,树突状学习下的网络动力学受到以前认为微不足道的弱权限的支配。

基于非常慢的大脑动力学的高效深度学习算法的想法提供了实现基于快速计算机的新型高级人工智能的机会。它要求重新启动从神经生物学到人工智能的桥梁,正如研究小组所总结的那样,“我们大脑基本原理的见解必须再次成为未来人工智能的核心”。

免责声明:本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。