Autonoom rijdende auto's hebben onlangs de krantenkoppen gehaald. In de nabije toekomst, machines die autonoom kunnen leren, zullen steeds meer aanwezig zijn in ons leven. Het geheim van efficiënt leren voor deze machines is het definiëren van een iteratief proces om de evolutie in kaart te brengen van hoe belangrijke aspecten van deze systemen in de loop van de tijd veranderen.

In een studie gepubliceerd in EPJ B , Agustín Bilen en Pablo Kaluza van Universidad Nacional de Cuyo, Mendoza, Argentinië laat zien dat deze slimme systemen autonoom kunnen evolueren om in de loop van de tijd een specifieke en goed gedefinieerde taak uit te voeren. Toepassingen variëren van nanotechnologie tot biologische systemen, zoals biologische signaaltransductienetwerken, genetische regulerende netwerken met adaptieve reacties, of genetische netwerken waarin het expressieniveau van bepaalde genen in een netwerk van de ene toestand naar de andere oscilleert.

Deze autonome systemen hebben geen externe tutor nodig. Ze rapporteren ook niet aan een centrale eenheid die is ontworpen om te wijzigen wat het systeem moet leren, afhankelijk van hun prestaties. Om hun autonomie te vergroten, de auteurs hebben een vertraagde dynamiek en een feedbacklus ingebouwd met de prestaties van het systeem. De vertraagde dynamiek geeft informatie over de geschiedenis van het systeem, waardoor de relaties uit het verleden tussen de structuur en de prestaties worden gepresenteerd. Beurtelings, de feedbacklus biedt informatie over de werkelijke prestaties van het systeem in termen van hoe dicht het bij de gewenste taak is.

De onderzoekers pasten hun benadering eerst met succes toe op een neuraal netwerk dat verantwoordelijk is voor het classificeren van verschillende patronen, wat 66% robuustheid opleverde. Deze inzichten kunnen b.v. in analoge elektronica, waar een stuk hardware autonoom een ​​taak kan leren zonder een centrale verwerkingseenheid of externe controle. Het team testte hun oplossing ook op een systeem van faseoscillatoren, die interessant zijn omdat de populaties van dergelijke oscillatoren enkele opmerkelijke synchronisatiekenmerken vertonen. In dergelijke gevallen, autonoom leren helpt de inherente foutenfluctuaties die normaal in dergelijke systemen worden aangetroffen, te voorkomen.