Новое исследование Еврейского университета в Иерусалиме направлено на понимание вычислительной мощности нейрона, чтобы улучшить наше понимание сетей глубокого обучения.
Работа ученых была опубликована в рецензируемом журнале Neuron.
Сети глубокого обучения основаны на тех же принципах, которые формируют структуру мозга человека, и состоят из искусственных нервных клеток, соединенных искусственными синапсами.
Современные искусственные нейроны способны генерировать два выходных состояния - «0» для выключения и «1» для включения, основываясь на нашем понимании нейронной функции, которое восходит к пятидесятым годам.
Однако в последние десятилетия область нейробиологии развивалась и обнаружила, что отдельные нейроны построены из сложных систем ветвления, которые содержат множество функционирующих субрегионов. Ветвистая структура нейронов и множество синапсов подразумевают, что отдельные нейроны могут вести себя как разветвленная сеть.
Кандидат наук, студент Давид Бенягуев вместе с профессорами Майклом Лондоном и Иданом Сегевом из Центра исследований мозга Эдмонда и Лили Сафра (ELSC) в Гонконге решили выяснить, как отдельные нервные клетки переводят синаптические входы в свои электрические выходные данные. Они надеются создать новый вид искусственной инфраструктуры глубокого обучения, которая будет больше похожа на человеческий мозг.
«Новая сеть глубокого обучения, которую мы предлагаем, построена из искусственных нейронов, причем каждый из них имеет уже 5-7 слоев. Эти единицы связаны через искусственные синапсы с уровнями выше и ниже них», - пояснил Сегев.
Значительные исследования сосредоточены на обеспечении искусственного глубокого обучения с более интеллектуальными и всеобъемлющими способностями. Глубокое обучение не смогло достичь способности обрабатывать и соотносить различные стимулы.
В настоящее время глубокие нейронные сети (DNN) работают с каждым искусственным нейроном, отвечая на синапсы цифрами «0» или «1» в зависимости от синаптической силы, полученной от предыдущего слоя. Сила позволяет синапсу либо посылать, либо задерживать сигнал нейронам следующего слоя. Это позволяет системе распознавать определенные стимулы, и для распознавания связей необходимо использовать определенные системы.
«Наш подход заключается в использовании возможностей глубокого обучения для создания компьютеризированной модели, которая наилучшим образом воспроизводит свойства ввода-вывода отдельных нейронов мозга», - пояснил Бениагев.
«Конечной целью было бы создать компьютеризированную копию, которая имитирует функциональность, возможности и разнообразие мозга, чтобы создать во всех отношениях настоящий искусственный интеллект», - сказал Сегев.
Курсор сообщал, что сети ИИ, смоделированные на основе реального мозга, могут выполнять когнитивные задачи. Изучив данные МРТ из большого репозитория Open Science, исследователи реконструировали паттерн связи мозга и применили его к искусственной нейронной сети (ANN).
Ранее Курсор писал, что о новой теории сновидений, предложенная ИИ: гипотеза переоборудованного мозга. Гипотеза переоборудованного мозга предполагает, что вымыслы и, возможно, искусство в целом могут иметь базовую когнитивную полезность для предотвращения переобучения, поскольку они действуют как искусственные сны.
Ранее мы писали о том, что Илон Маск рассказал о преимуществах чипирования мозга.
Напомним, что создана система для создания более «умных» интерфейсов мозг-компьютер.