Veštačka inteligencija imitira neokortikalne kalkulacije putem metode „pobednik dobija sve“

Ilustracija / Foto: Pixabay

Iako mnogi od ovih modela veštačke inteligencije (AI) ostvaruju izuzetne rezultate, oni često ne replikuju precizno računice koje izvodi ljudski mozak, piše TechXplore.

Istraživači iz kompanije Tibling teknolodžis, Harvardske medicinske škole, Australijskog nacionalnog univerziteta i drugih instututa nedavno su pokušali da upotrebe AI radi imitiranja specifičnog tipa računice koju izvode sklopovi u neokorteksu, poznate kao „pobednik dobija sve“.

Preporučujemo

Njihova studija predstavlja uspešnu simulaciju ove računice i pokazuje da bi njeno uključivanje u modele bazirane na transformatoru moglo značajno poboljšati njihov učinak u pogledu klasifikacije slika.

„Naš rad je inspirisan neverovatnim računarskim kapacitetom mozga sisara, naročito neokorteksa“, kaže Asim Ikbal, glavni autor studije. „Primarni cilj je bila primena načina na koji mozak obrađuje informacije u cilju poboljšanja sistema veštačke inteligencije. Fokusirali smo se na proces zvan ‘pobednik dobija sve’ koji je izgleda fundamentalan u kortikalnim sklopovima“.

„Pobednik dobija sve“ je biološki mehanizam koji se odigrava kad jedan ili nekoliko neurona u nekom skupu (sa najvišim nivoom aktivacije) utiču na ishod računice. Aktivniji neuroni u suštini potiskuju aktivnost drugih neurona, postajući jedine ćelije koje doprinose određenoj odluci ili računici.

Ikbal i kolege su pokušali da realistično imitiraju ovu biološku računicu pomoću neuromorfnog hardvera i zatim to upotrebe za poboljšanje učinka ustanovljenih modela mašinskog učenja. Koristili su neuromorfni čip IBM-a TrueNorth, koji je dizajniran radi imitiranja organizacije mozga.

„Naš model biofizičke mreže ima za cilj hvatanje ključnih elemenata neokortikalnih sklopova, sa fokusom na interakcije između ekscitatornih neurona i četiri glavna tipa inhibitornih neurona“, objašnjava Ikbal. „Model inkorporira eksperimentalno izmerene odlike ovih neurona i njihovih veza u vizuelnom korteksu. Ključno svojstvo je sposobnost pojačavanja najjačih inputa, dok se slabiji potiskuju“.

Izvodeći ove računice inspirisane procesima u mozgu, istraživači mogu da poboljšaju važne signale, uklanjajući nepoželjne. Ključna prednost njihovog neuroAI sistema je to što uvodi nov biološki zasnovan, a računarski efikasan pristup obradi vizuelnih informacija, što može doprineti boljem učinku AI modela.

„Jedno od naših najuzbudljivijih postignuća je uspešna implementacija naših kalkulacija inspirisanih mozgom na neuromorfni čip TrueNorth“, kaže Ikbal. „To pokazuje da možemo prevesti principe neuronauke na stvarni hardver. Takođe smo uzbuđeni zbog značajnih poboljšanja u učinku modela dubokog učenja nakon uključivanja našeg pristupa. Na primer, modeli su postali mnogo bolji u generalizaciji s novim tipovima podataka na kojima nisu bili obučavani, što je ključni izazov u AI“.

Računarski pristup inspirisan mozgom može se primeniti na sisteme AI sa širokim dijapazonom svrha, uključujući kompjuterski vid, medicinsku analizu slika i autonomna vozila. Istraživači planiraju ispitivanje kako bi isti principi u osnovi njihovog pristupa koji su inspirisani mozgom mogli biti upotrebljeni u cilju složenijih kognitivnih zadataka.

„Posebno smo zainteresovani za implementaciju radne memorije i procesa odlučivanja putem našeg pristupa“, dodaje Ikbal. „Takođe planiramo istraživanje kako možemo inkorporirati mehanizme učenja ispirisane mozgom, što bi moglo dovesti do sistema AI koji mogu da uče i da se adaptiraju efikasnije. Osim toga, želimo da testiramo naš pristup na drugim novim platformama neuromorfnog hardvera radi daljeg premošćavanja jaza između neuronauke i AI“.

(Telegraf Nauka/TechXplore)