ذهن های بزرگ (واقعی و مجازی) می توانند به طور یکسان فکر کنند

ذهن های بزرگ (واقعی و مجازی) می توانند به طور یکسان فکر کنند


شبکه های مغزی شبیه سازی شده اگر از مزیت تنوع در تک تک سلول های خود برخوردار باشند سریعتر یاد می گیرند. این بر اساس مطالعه دانشمندان کالج امپریال لندن است. آنها مغزهای مجازی ایجاد کردند که سلولهای مغزی یکسان را به هم متصل می کرد و مغزهای مجازی که انواع مختلف سلولهای مغزی را به هم متصل می کرد – سلولهای مغزی که خواص الکتریکی متفاوتی داشتند.

وقتی دانشمندان کار یادگیری مغزهای مختلف را به پایان رساندند ، دریافتند که مغزهایی با تفاوت های بیشتر بهتر از مغزهایی که دارای انسجام هستند ، بهتر کار می کنند. به طور خاص ، مغزهای “عجیب و غریب” سریعتر یاد می گیرند و نسبت به مغزهای “همگن” از نظر مصرف انرژی کارآمدتر هستند.

دانشمندان می گویند یافته های آنها می تواند به ما بیاموزد که چرا مغز ما در یادگیری بسیار خوب است و به ما در ساختن سیستم های مصنوعی هوشمند مانند دستیارهای دیجیتالی که می توانند صداها و چهره ها را تشخیص دهند یا فناوری خودروهای خودران کمک کند.

دان گودمن ، مدرس ارشد در بخش مهندسی برق و الکترونیک امپریال ، می گوید: “تکامل به ما عملکردهای باورنکردنی مغز داده است – که بیشتر آنها را تازه در حال درک هستیم.” “تحقیقات ما نشان می دهد که ما می توانیم درس های مهمی از زیست شناسی خود بگیریم تا هوش مصنوعی برای ما بهتر کار کند.”

گودمن نویسنده ارشد پایان نامه ای است که یافته های جدید را گزارش کرده است. این مقاله با عنوان “نابرابری عصبی باعث تقویت یادگیری می شود” در 4 اکتبر منتشر شد گفتگوی طبیعتبه

نویسندگان مقاله می نویسند: “یادگیری با ناهمگونی ، به ویژه برای وظایفی با ساختارهای پیش پا افتاده پایدارتر و قوی تر می شود.” “علاوه بر این ، توزیع پارامترهای عصبی در شبکه های آموزش دیده به صورت تجربی مشاهده می شود. ما پیشنهاد می کنیم که ناهمگونی موجود در مغز ممکن است فراتر از یک محصول فرعی سر و صدا باشد ، اما در عوض می تواند نقش فعال و مهمی در یادگیری حیوانات در محیط متغیر داشته باشد.

شبکه عصبی حرکات دست را تشخیص می دهد. [Imperial College London]

مغز از میلیاردها سلول به نام نورون تشکیل شده است که توسط یک “شبکه عصبی” گسترده به هم متصل شده اند و به ما امکان می دهد جهان را بیاموزیم. نورونها مانند دانه های برف هستند: از دور شبیه به هم هستند ، اما با بررسی بیشتر مشخص می شود که هیچ یک از آنها دقیقاً شبیه هم نیستند.

در مقابل ، هر سلول در یک شبکه عصبی مصنوعی – فناوری که هوش مصنوعی بر اساس آن ساخته شده است – یکسان است و فقط اتصال آنها را تغییر می دهد. علیرغم سرعت پیشرفت فناوری هوش مصنوعی ، شبکه های عصبی آنها به اندازه مغز انسان دقیق یا سریع یاد نمی گیرند و محققان این سوال را مطرح کرده اند که آیا عدم تنوع در سلول های آنها می تواند مقصر باشد؟

آنها برای بررسی این موضوع که آیا شبیه سازی مغز از طریق خواص سلول های شبکه عصبی می تواند منجر به یادگیری در هوش مصنوعی شود یا خیر. آنها دریافتند که تنوع در سلول ها باعث افزایش یادگیری آنها و کاهش مصرف انرژی می شود.

برای مطالعه ، محققان بر استخراج یک تغییر زمان ثابت متمرکز شدند – یعنی اینکه چگونه هر سلول بر اساس آنچه سلولهای متصل به آن انجام می دهند تصمیم می گیرد چه کاری انجام دهد. برخی از سلولها فقط با مشاهده عملکرد سلولهای متصل بسیار سریع تصمیم می گیرند. سلولهای دیگر در پاسخ به تصمیم خود در مورد آنچه سلولهای دیگر مدتی است انجام می دهند ، کندتر عمل می کنند.

پس از تغییر ثابت های زمانی سلول ها ، آنها شبکه را برای انجام برخی از معیارهای یادگیری ماشین معیار تعیین کردند: مرتب سازی تصاویر لباس و اعداد دست نویس. تشخیص حرکات انسان ؛ و برای شناسایی اعداد و دستورات گفتاری.

نتایج نشان می دهد که با اجازه دادن به شبکه برای ترکیب اطلاعات آهسته و سریع ، بیشتر قادر به حل وظایف در محیط های پیچیده تر و دنیای واقعی است.

هنگامی که آنها میزان تغییرپذیری در شبکه های شبیه سازی شده را تغییر دادند ، دریافتند کسانی که بهترین عملکرد را داشتند با میزان تغییرپذیری مشاهده شده در مغز مطابقت داشتند و این نشان می دهد که مغز ممکن است به عنوان میزان تنوع مناسب برای یادگیری بهینه تکامل یافته باشد.

اولین نویسنده این مطالعه ، نیکلاس پرز ، دانشجوی دکترا در بخش مهندسی برق و الکترونیک در کالج امپریال لندن ، می گوید: “مغز برای حل وظایف پیچیده باید از نظر انرژی کارآمد باشد. کار ما نشان می دهد که داشتن انواع نورون ها در مغز و سیستم هوش مصنوعی هر دوی این الزامات را برآورده می کند و می تواند منجر به یادگیری شود.

“ما نشان دادیم که هوش مصنوعی را می توان با تقلید از برخی ویژگی های مغز به نحوه عملکرد مغز ما نزدیک کرد. با این حال ، سیستم هوش مصنوعی فعلی تا رسیدن به سطح بهره وری انرژی که در سیستم های بیولوژیکی پیدا می کنیم فاصله دارد. در ادامه ، بیایید ببینیم چگونه می توان مصرف انرژی این شبکه را کاهش داد تا شبکه هوش مصنوعی به همان اندازه کارآمدتر از مغز نزدیک شود. ”

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *