Новая эра в алгоритмах обучения, вдохновленных мозгом

Исследователи из Британского совета медицинских исследований (MRC) по динамике мозговых сетей и Департамента компьютерных наук Оксфордского университета представили новаторский принцип, который проливает свет на то, как человеческий мозг адаптируется и регулирует связи между нейронами во время обучения. 

Это открытие не только улучшает наше понимание обучения в мозговых сетях, но и имеет потенциал вдохновить на разработку более быстрых и надежных алгоритмов обучения в искусственном интеллекте (ИИ).

Принцип обучения мозга: перспективная конфигурация

Суть обучения заключается в определении того, какие компоненты в конвейере обработки информации отвечают за ошибки в выходе. В ИИ это достигается посредством обратного распространения ошибки (backpropagation), где параметры модели корректируются для минимизации ошибок выхода.

Широко распространено мнение, что человеческий мозг использует аналогичный принцип обучения. Однако биологический мозг превосходит текущие системы машинного обучения по нескольким параметрам.

Например, люди могут усваивать новую информацию после того, как столкнутся с ней всего один раз, в то время как искусственные системы часто требуют сотен повторений с одними и теми же данными для ее усвоения. Кроме того, люди могут приобретать новые знания, сохраняя существующие, тогда как введение новых данных в искусственные нейронные сети может помешать и ухудшить существующие знания.

Эти наблюдения побудили исследователей искать фундаментальный принцип, управляющий процессом обучения мозга. Они изучили существующие наборы математических уравнений, описывающих изменения в поведении нейронов и синаптических связях, и провели тщательный анализ и моделирование. То, что они обнаружили, бросило вызов общепринятой мудрости.

В искусственных нейронных сетях внешние алгоритмы стремятся изменить синаптические связи для минимизации ошибок, но исследователи предполагают, что человеческий мозг сначала устанавливает активность нейронов в оптимальную сбалансированную конфигурацию, прежде чем корректировать синаптические связи. 

Этот уникальный подход, названный «перспективной конфигурацией», считается эффективной особенностью человеческого обучения, снижающей интерференцию и сохраняющей существующие знания, тем самым ускоряя процесс обучения.

Моделирование и валидация

Исследователи подтвердили свои выводы компьютерным моделированием, продемонстрировав, что модели, использующие перспективную конфигурацию, превосходили искусственные нейронные сети в задачах, с которыми часто сталкиваются животные и люди в естественных условиях.

Чтобы проиллюстрировать концепцию, исследователи использовали пример медведя, ловящего лосося. В искусственной нейронной сети, если медведь теряет способность слышать реку (из-за поврежденного уха), он также теряет способность чувствовать запах лосося, что приводит к неверному выводу о том, что в реке нет лосося. 

Однако в мозге животного отсутствие звука не мешает знанию о том, что запах лосося все еще присутствует, позволяя медведю успешно продолжать свои поиски.

Преодоление разрыва

Ведущий исследователь профессор Рафал Богачек из Британского совета медицинских исследований (MRC) по динамике мозговых сетей и Оксфордского Нюфилдского департамента клинических нейронаук подчеркнул необходимость преодоления разрыва между абстрактными моделями и нашим пониманием анатомии мозга. Будущие исследования направлены на то, чтобы раскрыть, как алгоритм перспективной конфигурации реализуется в анатомически идентифицированных кортикальных сетях.

Доктор Юхан Сонг, первый автор исследования, выделил сложности реализации перспективной конфигурации в существующих компьютерах из-за фундаментальных различий между компьютерными системами и биологическим мозгом. Он призвал разработать новый компьютер или выделенное аппаратное обеспечение, вдохновленное мозгом, способное к быстрой и энергоэффективной реализации перспективной конфигурации.