Учени от Оксфордския университет са направили важно откритие за начина, по който човешкият мозък се учи. Резултатите показват, че когато научаваме нова информация, нашият мозък управлява връзките между невроните по специален начин. Направеното откритие може да ни помогне да разберем по-добре как работи човешкият мозък, както и да доведе до подобрения в изкуствените невронни мрежи, като ги направи по-бързи, по-интелигентни и по-ефикасни.
Изкуственият интелект се обучава, като се използва метод, наречен “обратно разпространение на грешката“, при който грешките се връщат обратно в системата, за да се коригират с цел подобряване на изходните резултати. Човешкият мозък обаче е много по-ефективен в този процес. Докато се учим, мозъкът ни постоянно се адаптира и коригира връзките между невроните. Системите за изкуствен интелект например трябва да преглеждат една и съща информация многократно, за да я научат, докато човешкият мозък може да запомни нещо ново с много по-малко повторения и без да забравя вече наученото. Изследователите от Оксфорт се опитали да разберат защо и как се случва това.
Те са открили, че мозъкът не просто коригира грешките, както сегашните системи за изкуствен интелект. Вместо това той първо подрежда невроните си по уникален начин, преди да започне да учи. Това помага да се намалят изходните грешки и да се ускори ученето, като същевременно се запазва вече научената информация.
В статия побликувана в Nature Neuroscience учените описват този нов принцип на учене, който наричат “проспективна конфигурация“. Чрез компютърни симулации те демонстрират, че моделите, използващи тази потенциална конфигурация, могат да се учат по-бързо и по-ефективно от изкуствените невронни мрежи при задачи, с които обикновено се сблъскват животните и хората в природата.
Авторите използват реален пример с мечка, която лови сьомга. Мечката вижда реката и е научила, че ако чуе реката и усети сьомгата, вероятно ще може да я улови. Един ден обаче мечката пристига до реката, но с изгубен слух не може да я чуе. При модела за обработка на информация в изкуствена невронна мрежа тази липса на слух би довела и до липса на миризма (защото докато се учи, че няма звук, обратното разпространение би променило много връзки, включително тези между невроните, кодиращи реката и сьомгата), и мечката би заключила, че няма сьомга, и би останала гладна. Но в природата, въпреки загубата на слуховото възприятие, мозъкът на животните запазва способността си да използва други сетива. Така, дори при липса на слух, мечката все още усеща миризмата на сьомга и знае, че може да я улови.
При сравнението с изкуствените невронни мрежи учените са установили, че този подход предлага по-точно и ясно разбиране на начина, по който мозъкът работи и се адаптира по време на ученето, като предлага по-добро обяснение на невронната активност и поведение по време на учене.
Водещият изследовател професор Рафал Богач от MRC Brain Network Dynamics Unit и Nuffield Department of Clinical Neurosciences в Оксфорд казва:
Понастоящем има голяма разлика между абстрактните модели, които извършват перспективна конфигурация, и нашите подробни познания за анатомията на мозъчните мрежи. Бъдещите изследвания на нашата група имат за цел да преодолеят пропастта между абстрактните модели и реалните мозъци.
Д-р Юхан Сонг, който също участва в проучването, посочва:
В случая с машинното обучение симулацията на проспективната конфигурация на съществуващите компютри е бавна, тъй като те работят по коренно различен начин от биологичния мозък. Необходимо е да се разработи нов тип компютър или специализиран хардуер, вдъхновен от мозъка, който ще може да реализира перспективната конфигурация бързо и с малко потребление на енергия.
Последвайте ни в социалните мрежи – Facebook, Instagram, X и LinkedIn!
Споделете: