Новая эра в алгоритмах обучения, вдохновлённых работой мозга

Исследователи из подразделения MRC Brain Network Dynamics Unit и факультета компьютерных наук Оксфордского университета представили новаторский принцип, проливающий свет на то, как человеческий мозг адаптируется и корректирует связи между нейронами в процессе обучения. 

Это открытие не только расширяет наше понимание процессов обучения в нейронных сетях головного мозга, но и потенциально может вдохновить на разработку более быстрых и надежных алгоритмов обучения в области искусственного интеллекта (ИИ).

Принцип обучения мозга: перспективная конфигурация

Суть обучения заключается вdentтого, какие компоненты в конвейере обработки информации отвечают за ошибки на выходе. В искусственном интеллекте это достигается с помощью обратного распространения ошибки, при котором параметры модели корректируются для минимизации ошибок на выходе.

Широко распространено мнение, что человеческий мозг использует аналогичный принцип обучения. Однако биологический мозг превосходит современные системы машинного обучения по ряду параметров.

Например, человек может усвоить новую информацию, столкнувшись с ней всего один раз, в то время как искусственным системам часто требуются сотни повторений с одними и теми же данными, чтобы её понять. Более того, человек может приобретать новые знания, сохраняя при этом уже имеющуюся информацию, тогда как введение новых данных в искусственные нейронные сети может нарушить и ухудшить существующие знания.

Эти наблюдения побудили исследователей искать фундаментальный принцип, управляющий процессом обучения в мозге. Они изучили существующие наборыmaticуравнений, описывающих изменения в поведении нейронов и синаптических связях, и провели тщательный анализ и моделирование. То, что они обнаружили, бросило вызов общепринятым представлениям.

В искусственных нейронных сетях внешние алгоритмы направлены на изменение синаптических связей для минимизации ошибок, но исследователи предполагают, что человеческий мозг сначала приводит активность нейронов в оптимально сбалансированную конфигурацию, прежде чем корректировать синаптические связи. 

Считается, что этот уникальный подход, называемый «перспективной конфигурацией», является эффективной особенностью человеческого обучения, уменьшая помехи и сохраняя существующие знания, тем самым ускоряя процесс обучения.

Моделирование и проверка

Исследователи подтвердили свои выводы с помощью компьютерного моделирования, продемонстрировав, что модели, использующие перспективную конфигурацию, превосходят искусственные нейронные сети в задачах, обычно встречающихся у животных и людей в естественных условиях.

Для иллюстрации концепции исследователи использовали пример медведя, ловящего лосося. В искусственной нейронной сети, если медведь теряет способность слышать реку (из-за повреждения 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 ему ощущать запах лосося, что позволяет медведю успешно продолжить свою охоту.

Преодоление разрыва

Ведущий исследователь, профессор Рафал Богач из подразделения MRC Brain Network Dynamics Unit и кафедры клинической нейронауки Наффилда Оксфордского университета, подчеркнул необходимость преодоления разрыва междуtracмоделями и нашим пониманием анатомии мозга. Будущие исследования направлены на выяснение того, как алгоритм перспективной конфигурации реализуется в анатомическиdentкортикальных сетях.

Доктор Юханг Сонг, первый автор исследования, подчеркнул сложности реализации перспективной конфигурации в существующих компьютерах из-за фундаментальных различий между компьютерными системами и биологическим мозгом. Он призвал к разработке нового компьютера или специализированного оборудования, созданного по образцу работы мозга, способного к быстрой и энергоэффективной реализации перспективной конфигурации.