Umjetne neuronske mreže grade vlastiti mehanizam za učenje

Kako umjetna inteligencija postaje sve moćnija, njezina sposobnost rješavanja zadataka sličnih ljudskima je neosporna. Umjetne neuronske mreže mogu naučiti prepoznavati slike, koristiti jezik ili pisati računalni kod. Poput moždanih krugova, reorganiziraju se dok uče, prilagođavajući snagu svojih veza kako bi poboljšale svoje performanse.

U radu objavljenom u časopisu PNAS, znanstvenici s MIT-ovog McGovern Instituta za istraživanje mozga i Centra za integrativnu računalnu neuroznanost, tvrde da je ključna metrika za biološku vjerodostojnost pristupa umjetne neuronske mreže učenju sposobnost mreže da se sama organizira, bez vodstva programera.

Pokazuju da je moguće da umjetna neuronska mreža izgradi vlastiti mehanizam za učenje. Uz nekoliko jednostavnih uputa o tome kako i kada bi se veze trebale mijenjati, skupina nasumično povezanih jedinica može se preoblikovati u učinkovitu mrežu za obradu informacija, učeći iz podataka na kojima je obučena.

Pravila koja preoblikuju neuronske veze dok životinja uči mogu se razlikovati u različitim dijelovima mozga ili se mogu mijenjati kako mozak postaje zreliji. Neuroznanstvenici rade na razumijevanju kako ta pravila funkcioniraju i kako ih starenje ili bolest mogu poremetiti, što je ključan korak prema razvoju novih terapija i strategija prevencije. Ističu razvoj sučelja mozak-računalo, koji imaju za cilj obnoviti komunikaciju kada se izgube jezične sposobnosti mozga ili omogućiti paraliziranim pacijentima da kontroliraju neuroprotetske udove, kao jednu od potencijalnih primjena

Istraživači su krenuli u razvoj i validaciju samoorganizirajuće računalne mreže sposobne za učenje. Kažu da struktura mreže počinje s više slojeva nasumično povezanih jedinica nalik neuronima. Unutar svakog sloja, svaka komponenta nalik neuronima podliježe istim pravilima o tome kako se veze trebaju prilagođavati.

Mreža tima implementira vrstu jednostavnih pravila za koja se smatra da preoblikuju moždane krugove dok ljudi i druge životinje uče iz svojih iskustava. I u mozgu i u strojnoj mreži, na primjer, neuroni koji se zajedno aktiviraju povezuju se. Drugim riječima, kada se dva povezana neurona aktiviraju istovremeno, veza među njima jača. 

Tim je pokazao da samoorganizirajuća mreža kojom upravljaju pravila poput ovih može naučiti prepoznavati uzorke i klasificirati slike. Objašnjavaju da je u njihovom modelu učenje omogućeno samosastavljajućim motivima koji se pojavljuju prema jednostavnim pravilima, a zatim služe kao građevni blokovi za funkcionalne sklopove.

Kako je njihova mreža učila, ovi su se motivi reorganizirali pomoću strategije optimizacije slične pristupu ugrađenom u većinu modernih sustava strojnog učenja, nazvanog gradijentni spust, u kojem se veze postupno prilagođavaju kao odgovor na pogreške kako bi se poboljšale performanse.

Iako je glavni cilj grupe bolje razumijevanje mozga, istraživači kažu da bi znanje u konačnici moglo poboljšati i sustave strojnog učenja, omogućujući inženjerima razvoj mreža koje rade bolje ili na način sličniji čovjeku.