machinaal leren, 70 jaar geleden geïntroduceerd, is gebaseerd op bewijs van de dynamiek van leren in de hersenen. Gebruikmakend van de snelheid van moderne computers en grote datasets, deep learning-algoritmen hebben onlangs resultaten opgeleverd die vergelijkbaar zijn met die van menselijke experts op verschillende toepasselijke gebieden, maar met verschillende kenmerken die ver verwijderd zijn van de huidige kennis van leren in de neurowetenschappen.

Met behulp van geavanceerde experimenten op neuronale culturen en grootschalige simulaties, een groep wetenschappers van de Bar-Ilan University in Israël heeft een nieuw type ultrasnelle kunstmatige intelligentie-algoritmen gedemonstreerd - gebaseerd op de zeer langzame hersendynamiek - die beter presteren dan de leersnelheden die tot nu toe zijn bereikt door state-of-the-art leeralgoritmen.

In een artikel dat vandaag in het tijdschrift is gepubliceerd: Wetenschappelijke rapporten , de onderzoekers bouwen de brug tussen neurowetenschap en geavanceerde kunstmatige intelligentie-algoritmen die al bijna 70 jaar vrijwel nutteloos zijn gebleven.

"Het huidige wetenschappelijke en technologische standpunt is dat neurobiologie en machinaal leren twee verschillende disciplines zijn die zich onafhankelijk van elkaar hebben ontwikkeld, " zei de hoofdauteur van de studie, Prof. Ido Kanter, van Bar-Ilan University's Department of Physics and Gonda (Goldschmied) Multidisciplinair Brain Research Center. "De afwezigheid van verwachte wederzijdse invloed is raadselachtig."

"Het aantal neuronen in een brein is minder dan het aantal bits in een typische schijfgrootte van moderne personal computers, en de rekensnelheid van de hersenen is als de secondewijzer op een klok, zelfs langzamer dan de eerste computer die meer dan 70 jaar geleden werd uitgevonden, " vervolgde hij. "Bovendien, de leerregels van de hersenen zijn erg ingewikkeld en staan ​​ver af van de principes van leerstappen in de huidige kunstmatige-intelligentiealgoritmen, " voegde prof. Kanter toe, wiens onderzoeksteam Herut Uzan omvat, Shira Sardi, Amir Goldental en Roni Vardi.

Hersendynamica voldoet niet aan een goed gedefinieerde klok die is gesynchroniseerd voor alle zenuwcellen, aangezien het biologische schema te maken heeft met asynchrone inputs, naarmate de fysieke werkelijkheid zich ontwikkelt. "Als je vooruit kijkt, zie je meteen een frame met meerdere objecten. tijdens het rijden observeert men auto's, zebrapaden, en verkeersborden, en kunnen gemakkelijk hun temporele ordening en relatieve posities identificeren, " zei prof. Kanter. "Biologische hardware (leerregels) is ontworpen om met asynchrone invoer om te gaan en hun relatieve informatie te verfijnen." traditionele kunstmatige intelligentie-algoritmen zijn gebaseerd op synchrone inputs, vandaar dat de relatieve timing van verschillende ingangen die hetzelfde frame vormen, typisch wordt genegeerd.

De nieuwe studie toont aan dat ultrasnelle leersnelheden verrassend identiek zijn voor kleine en grote netwerken. Vandaar, zeggen de onderzoekers, "het nadeel van het leerschema van de gecompliceerde hersenen is eigenlijk een voordeel." Een andere belangrijke bevinding is dat leren kan plaatsvinden zonder leerstappen door zelfaanpassing volgens asynchrone inputs. Dit type leren-zonder-leren vindt plaats in de dendrieten, verschillende uiteinden van elk neuron, zoals onlangs experimenteel werd waargenomen. In aanvulling, netwerkdynamiek onder dendritisch leren wordt bepaald door zwakke gewichten die voorheen als onbeduidend werden beschouwd.

Het idee van efficiënte deep learning-algoritmen op basis van de dynamiek van het zeer trage brein biedt de mogelijkheid om een ​​nieuwe klasse van geavanceerde kunstmatige intelligentie te implementeren op basis van snelle computers. Het roept op tot de herinitiatie van de brug van neurobiologie naar kunstmatige intelligentie en, zoals de onderzoeksgroep concludeert, "Inzichten in fundamentele principes van ons brein moeten opnieuw centraal staan ​​in toekomstige kunstmatige intelligentie."