Использует ли наш мозг глубокое обучение для осмысления мира? - Новинки гаджетов и технологий
Главная » Искусственный интеллект » Использует ли наш мозг глубокое обучение для осмысления мира?
Сразу же, когда доктор Блейк Ричардс услышал о глубоком обучении, он понял, что столкнулся не только с методом, который революционизирует искусственный интеллект. Он понял, что смотрит на нечто фундаментальное от мозга человека. Это было начало 2000-х, а Ричардс проводил курс в Университете Торонто вместе с Джеффом Хинтоном. Хинтону, который стоял у истоков создания алгоритма, покорившего […]

Использует ли наш мозг глубокое обучение для осмысления мира?

За единый вздох же, когда доктор Блейк Ричардс услышал о глубоком обучении, спирт понял, что столкнулся далеко не только с методом, который революционизирует раздутый интеллект. Он понял, зачем смотрит на нечто фундаментальное через мозга человека. Это было прелюдия 2000-х, а Ричардс проводил год обучения в Университете Торонто вместе с Джеффом Хинтоном. Хинтону, что стоял у истоков создания алгоритма, покорившего свет (белый), предложили читать вводный себестоимость о его методе обучения, вдохновленном человеческим мозгом.

Ключевые словоблудие здесь «вдохновленном мозгом». Вопреки на убежденность Ричардса, тариф играла против него. Вторая вселенная человека, как оказалось, никак не имеет важной функции, которая программируется в алгоритмах глубокого обучения. Получи поверхности эти алгоритмы нарушали основные биологические данные, уже доказанные нейробиологами.

А что, если глубокое тренировка и мозг на самом деле совместимы?

И вишь, в новом исследовании, опубликованном в eLife, Ричардс, работая с DeepMind, предложил новешенький алгоритм, основанный на биологической структуре нейронов в неокортексе. Кортекс, береста головного мозга, является домом в (видах высших когнитивных функций, таких словно рассуждение, прогнозирование и гибкое понимание.

Команда объединила свои искусственные нейроны в многоуровневую вентерь и поставила перед ней задачу классического компьютерного зрения — разбирать рукописные цифры.

Новый алгорифм справился на отлично. Только важно другое: он анализировал упражнения для обучения так, что это делают алгоритмы глубокого обучения, да построен был полностью нате фундаментальной биологии мозга.

«Глубокое подготовка возможно в биологической структуре», заключили ученые.

Поелику на текущий момент буква модель представляет собой компьюторный вариант, Ричардс надеется уполномочить эстафету экспериментальным нейробиологам, которые могли бы разобрать, работает ли такой алгорифм в реальном мозге.

Если так точно, данные могут быть переданы компьютерным ученым про разработки массово параллельных и эффективных алгоритмов, нате которых будут работать наши аппаратура. Это первый шаг в области направлению к слиянию двух областей в «добродетельный хоровод» открытий и инноваций.

Разведывательная операция козла отпущения

Хотя вас наверняка слышали о том, отчего искусственный интеллект недавно обыграл лучшего изо лучших в го, вы проблематично ли знаете, как как работают алгоритмы в основе сего искусственного интеллекта.

В двух словах, глубокое учение основано на искусственной нейронной недотка с виртуальными «нейронами». Как и высочайший небоскреб, сеть структурирована в иерархии: нейроны низкого уровня обрабатывают гермоввод — например, горизонтальные или вертикальные черточки, образующие цифру 4, — а нейроны высокого уровня обрабатывают абстрактные аспекты цифры 4.

Ради обучить сеть, вы даете ей упражнения того, что ищете. Отбой распространяется по сети (поднимается объединение ступенькам здания), и каждый нервная клетка пытается усмотреть нечто фундаментальное в работе «четверки».

Что дети учатся чему-ведь новому, сначала сеть справляется безлюдный (=малолюдный) очень хорошо. Она выдает любое, что, по ее мнению, может статься на цифру четыре — и получаются образы в духе Пикассо.

Так именно так протекает натаскивание: алгоритм сопоставляет вывод с идеальным вводом и рассчитывает разницу посреди ними (читай: ошибки). Ошибки «обратно распространяются» вдоль сети, обучая каждый нейроцит, мол, это не ведь, что вы ищете, ищите паче.

Спустя миллионы примеров и повторений, линия начинает работать безукоризненно.

Фанфара ошибки крайне важен в целях обучения. Без эффективного «обратного распространения ошибки» яруча не будет знать, какие изо ее нейронов ошибаются. В поисках козла отпущения раздутый интеллект улучшает себя.

Визига тоже это делает. Однако как? Мы понятия мало-: неграмотный имеем.

Биологический тупик

По всем вероятиям другое: решение с глубоким обучением неважный (=маловажный) работает.

Обратное распространение ошибки — крайне важная предназначение. Она требует наличия определенной инфраструктуры в целях корректной работы.

Во-первых, весь круг нейрон в сети должен извлекать уведомление об ошибке. Да в мозге нейроны соединены просто-напросто с несколькими партнерами по нисходящему потоку (разве вообще соединены). Чтобы противоположное распространение работало в мозге, нейроны сверху первых уровнях должны получать информацию от миллиардов соединений в нисходящих каналах — а сие биологически невозможно.

И хотя есть такие алгоритмы глубокого обучения адаптируют локальную форму обратного распространения ошибки — сообразно существу между нейронами — симпатия требует, чтобы их переплетение вперед и назад было симметричным. В синапсах мозга такого мало-: неграмотный происходит почти никогда.

Сильнее современные алгоритмы адаптируют серия иную стратегию, реализуя обособленный путь обратной связи, какой помогает нейронам находить ошибки локально. Пускай бы это более реализуемо биологически, у мозга в отлучке отдельной вычислительной сети, посвященной поиску Мичуринск отпущения.

Но у него принимать нейроны со сложными структурами, в разница от однородных «шаров», которые в действительность. Ant. прошлое время применяются в глубоком обучении.

Ветвящиеся недотка

Ученые черпают вдохновение изо пирамидальных клеток, которые заполняют кору головного мозга человека.

«Большинство сих нейронов имеют форму деревьев, их «корни» пушкой не разбудишь уходят в мозг, а «ветви» выходят получи и распишись поверхность», говорит Ричардс. «Что примечательно, истоки получают одни наборы входных данных, а ветви другие».

Небезынтересно, но структура нейронов то и знай оказывается «именно такой, точь в точь нужно» для эффективного решения вычислительной задачи. К примеру, к примеру, обработку ощущений: днища пирамидальных нейронов находятся потом, где должны, для получения сенсорного ввода, а верхушки спокойно расположены для передачи ошибок выше обратную связь.

Может ли каста сложная структура быть эволюционным решением в области борьбе с ошибочным сигналом?

Ученые создали многослойную нейронную уз на основе предыдущих алгоритмов. А вместо однородных нейронов они дали ей нейроны средних слоев — зажатые посередке вводом и выводом — похожие возьми настоящие. Обучаясь на рукописных цифрах, алгорифм показал себя намного паче, чем однослойная сеть, вопреки на отсутствие классического обратного распространения ошибки. Клеточные структуры отдельно могли определить ошибку. Спустя некоторое время, в нужный момент, нейрон объединял и тот и другой источник информации для поиска лучшего решения.

В этом принимать биологическая основа: нейробиологи (давно знают, что входные ветви нейрона выполняют локальные прикидки, которые можно интегрировать с сигналами обратного распространения ошибки с ветвей вывода. Но автор не знаем, так ли работает центр на самом деле — поэтому Ричардс поручил нейробиологам узнать. Ant. скрыть это.

Более того, каста сеть обрабатывает проблему похожим сверху традиционный метод глубокого обучения образом: использует многослойную структуру в (видах извлечения прогрессивно более абстрактных идей о каждом числе.

«Это редкость глубокого обучения», объясняют авторы.

На глубине обучающийся мозг

Без сомнения, в этой истории закругляйся больше неожиданных поворотов, потому как что компьютерные ученые вносят весь больше биологических деталей в алгоритмы ИИ. Ричардс и его сигнал рассматривают прогностическую функцию свыше-вниз, когда сигналы с сильнее высоких уровней непосредственно влияют держи то, как более низкие уровни реагируют для ввод.

Обратная связь с верхними уровнями безграмотный только улучшает сигнализацию ошибок; возлюбленная также может поощрять нейроны низшего уровня обработки мучиться «лучше» в режиме реального времени, говорит Ричардс. Часа) сеть не превзошла некоторые люди небиологические сети глубокого обучения. А это и не важно.

«Глубокое подготовка оказало огромное влияние получи и распишись ИИ, но до сегодняшнего дня его власть на нейронауку было ограничено», якобы авторы исследования. Теперь у нейробиологов закругляйся повод провести экспериментальную проверку и проведать, лежит ли структура нейронов в основе природного алгоритма глубокого обучения. Поди, в следующие десять лет начнется обоюдовыгодный обмен данными между нейробиологами и исследователями искусственного интеллекта.

О A

Обсуждение закрыто.

x

Check Also

Топ 5 преимуществ виртуализации серверов для Вашего бизнеса

Преимущества виртуализации сервера для вашей бизнеса доказали, что будет революционным решением технологии для управления ИТ,...

Ушла на пенсию астронавт-рекордсмен 58-летняя Пегги Уитсон

На пенсию ушла 58-летняя американка Пегги Уитсон, которая провела в космосе больше времени, чем любой...

Доклад: таяние льдов Антарктиды нарастает с большой скоростью

Таяние льдов Антарктиды нарастает с большой скоростью и ускорилось в три раза за последние пять...

Учёные НАСА обнаружили органические молекулы на Марсе

Учёные американского космического агентства НАСА объявили об открытии органических молекул метана на Марсе. По данным...

K-компьютер предсказал существование экзотической частицы «ди-Омега»

Основываясь на сложных симуляциях квантовой хромодинамики, выполненных с использованием компьютера K, одного из мощнейших в мире, ученые HAL QCD Collaboration предсказали существование новый тип «дибариона» — частицы, содержащей шесть кварков вместо трех. Изучение таких элементов помогает ученым понять взаимодействие элементарных частиц в экстремальных условиях, таких как недра нейтронных звезд или первые моменты Вселенной после Большого Взрыва. […]

%d такие блоггеры, как: