Computerwetenschappers van de TU Wien (Wenen) verbeteren kunstmatige intelligentie door zich te laten inspireren door de biologie. De nieuwe benaderingen bereiken verbluffende resultaten met verrassend weinig inspanning.

Een natuurlijk gegroeid brein werkt heel anders dan een gewoon computerprogramma. Het gebruikt geen code die bestaat uit duidelijke logische instructies, het is een netwerk van cellen die met elkaar communiceren. Het simuleren van dergelijke netwerken op een computer kan helpen bij het oplossen van problemen die moeilijk in logische bewerkingen zijn op te splitsen.

Aan de TU Wien (Wenen), in samenwerking met onderzoekers van het Massachusetts Institute of Technology (MIT), er is nu een nieuwe benadering ontwikkeld voor het programmeren van dergelijke neurale netwerken, die de tijdsevolutie van de zenuwsignalen op een heel andere manier modelleert. Het werd geïnspireerd door een bijzonder eenvoudig en goed onderzocht wezen, de rondworm C. elegans. Neurale circuits van het zenuwstelsel werden gesimuleerd op de computer, en vervolgens werd het model aangepast met machine learning-algoritmen. Op deze manier, het was mogelijk om opmerkelijke taken op te lossen met een extreem laag aantal gesimuleerde zenuwcellen - bijvoorbeeld het parkeren van een auto. Hoewel het door wormen geïnspireerde netwerk slechts uit 12 neuronen bestaat, het kan worden getraind om een ​​rover-robot naar een bepaalde plek te sturen. Ramin Hasani van het Institute of Computer Engineering aan de TU Wien heeft nu zijn werk gepresenteerd op de TEDx-conferentie in Wenen op 20 oktober.

Het kan worden aangetoond dat deze nieuwe neurale netwerken extreem veelzijdig zijn. Een ander voordeel is dat hun interne dynamiek kan worden begrepen - in tegenstelling tot standaard kunstmatige neurale netwerken, die vaak worden beschouwd als een nuttige maar ondoorgrondelijke "zwarte doos".

Signalen in vertakte netwerken

"Neurale netwerken moeten worden getraind", zegt Ramin Hasani. "Je zorgt voor een specifieke input en stelt de verbindingen tussen de neuronen bij zodat de gewenste output geleverd wordt."

de invoer, bijvoorbeeld, kan een foto zijn, en de uitvoer kan de naam zijn van de persoon op de foto. "Tijd speelt meestal geen belangrijke rol in dit proces, ", zegt Radu Grosu van het Institute of Computer Engineering van de TU Wien. Voor de meeste neurale netwerken, alle input wordt in één keer geleverd, onmiddellijk resulterend in een bepaalde output. Maar in de natuur is dat heel anders.

Spraakherkenning, bijvoorbeeld, is altijd tijdsafhankelijk, evenals simultane vertalingen of opeenvolgingen van bewegingen die reageren op een veranderende omgeving. "Dergelijke taken kunnen beter worden afgehandeld met wat we RNN noemen, of terugkerende neurale netwerken", zegt Ramin Hasani. "Dit is een architectuur die sequenties kan vastleggen, omdat het neuronen doet herinneren wat er eerder is gebeurd."

Hasani en zijn collega's stellen een nieuwe RNN-architectuur voor op basis van een biofysisch neuron- en synapsmodel dat in de tijd variërende dynamiek mogelijk maakt. "In een standaard RNN-model, er is een constant verband tussen neuron één en neuron twee, bepalen hoe sterk de activiteit van neuron één de activiteit van neuron twee beïnvloedt", zegt Ramin Hasani. "In onze nieuwe RNN-architectuur, deze link is een niet-lineaire functie van de tijd."

Het wormbrein dat een auto kan parkeren

Door celactiviteiten en koppelingen tussen cellen in de loop van de tijd te laten variëren, ontstaan ​​er geheel nieuwe mogelijkheden. Ramin Hasani, Mathias Lechner en hun collega's toonden theoretisch aan dat hun architectuur kan, in principe, geschatte willekeurige dynamiek. Om de veelzijdigheid van de nieuwe aanpak te demonstreren, ze ontwikkelden en trainden een klein neuraal netwerk:"We hebben een neuraal circuit van het zenuwstelsel van de nematode C. elegans een nieuwe bestemming gegeven. Het is verantwoordelijk voor het genereren van een eenvoudig reflexief gedrag - de aanraking-terugtrekking, " zegt Mathias Lechner, die nu werkt bij het Institute of Science and Technology (IST) Oostenrijk. "Dit neurale netwerk is gesimuleerd en getraind om real-life applicaties te besturen."

Het succes is opmerkelijk:de kleine, eenvoudig netwerk met slechts 12 neuronen kan (na passende training) uitdagende taken oplossen. Bijvoorbeeld, het was getraind om een ​​voertuig langs een vooraf gedefinieerd pad in een parkeerplaats te manoeuvreren. "De output van het neurale netwerk, die in de natuur de beweging van nematodenwormen zou beheersen, wordt in ons geval gebruikt om een ​​voertuig te sturen en te versnellen", zegt Hasani. "We hebben theoretisch en experimenteel aangetoond dat onze nieuwe neurale netwerken complexe taken in het echte leven en in gesimuleerde fysieke omgevingen kunnen oplossen."

De nieuwe aanpak heeft nog een belangrijk voordeel:het geeft een beter inzicht in de innerlijke werking van het neurale netwerk. Eerdere neurale netwerken, die vaak uit vele duizenden knooppunten bestond, waren zo complex dat alleen de definitieve resultaten konden worden geanalyseerd. Een dieper begrip krijgen van wat er binnenin gebeurt, was nauwelijks mogelijk. Het kleinere maar uiterst krachtige netwerk van het Weense team is gemakkelijker te analyseren, en zodat wetenschappers het op zijn minst gedeeltelijk kunnen begrijpen, welke zenuwcellen welke effecten veroorzaken. "Dit is een groot voordeel dat ons aanmoedigt om hun eigenschappen verder te onderzoeken", zegt Hasani.

Natuurlijk, dit betekent niet dat auto's in de toekomst door kunstmatige wormen zullen worden geparkeerd, maar het laat zien dat kunstmatige intelligentie met een meer hersenachtige architectuur veel krachtiger kan zijn dan eerder werd gedacht.