
منتشر شده در: sciencedaily به تاریخ ۱۳ اکتبر ۲۰۲۰
لینک مطلب اصلی: New deep learning models: Fewer neurons, more intelligence
هوش مصنوعی به زندگی روزمره ما رسیدهاست-- از موتورهای جستجو گرفته تا ماشینهای خودران. این بخاطر قدرت محاسباتی عظیمی است که در سالهای اخیر در دسترس قرار گرفتهاست. اما نتایج جدید تحقیقات هوش مصنوعی نشان میدهد که شبکههای عصبی سادهتر و کوچکتر میتوانند برای حل وظایف خاص حتی بهتر، موثرتر و قابلاعتمادتر از قبل مورد استفاده قرار گیرند.
یک تیم تحقیقاتی بینالمللی از TU Wien (وین) ، IST اتریش و MIT (ایالاتمتحده آمریکا) یک سیستم هوش مصنوعی جدید براساس مغز حیوانات کوچک، مانند کرمکها ایجاد کردهاند. این سیستم هوش مصنوعی جدید میتواند یک وسیله نقلیه را فقط با چند نورون مصنوعی کنترل کند. این تیم میگوید که سیستم مزایای قطعی نسبت به مدلهای یادگیری عمیق قبلی دارد: با ورودی نویزی بهتر عمل میکند، و به دلیل سادگی، حالت عملکرد آن را می توان به طور مفصل توضیح داد. لازم نیست آن را به عنوان یک «جعبه سیاه» پیچیده در نظر بگیریم، اما میتوان آن را توسط انسان درک کرد. این مدل جدید یادگیری عمیق در مجله هوش ماشین طبیعت منتشر شدهاست.
یادگیری از طبیعت
شبکههای عصبی مصنوعی همانند مغز زنده، از تعداد زیادی سلول مجزا تشکیل شدهاند. وقتی یک سلول فعال است، سیگنالی به سلولهای دیگر میفرستد. تمام سیگنالهای دریافتشده توسط سلول بعدی ترکیب میشوند تا تصمیم بگیرند که آیا این سلول نیز فعال خواهد شد یا خیر. روشی که در آن یک سلول بر فعالیت سلول بعدی تاثیر میگذارد، رفتار سیستم را تعیین میکند-این پارامترها در یک فرآیند یادگیری خودکار تنظیم میشوند تا زمانی که شبکه عصبی بتواند یک کار خاص را حل کند.
پروفسور رادو گروسو، رئیس گروه تحقیقاتی «سیستمهای سایبر-فیزیکی» در تی یو وین میگوید: « سالها است که ما در حال بررسی چیزی هستیم که میتوانیم از طبیعت بیاموزیم تا یادگیری عمیق را بهبود بخشیم.» برای مثال، نماتد C.elegans با تعداد بسیار کمی از نورونها زندگی میکند و هنوز الگوهای رفتاری جالبی را نشان میدهد. این امر به دلیل روش موثر و هماهنگی در پردازش اطلاعات توسط سیستم عصبی نماتود است.
پروفسور دانیل روس، مدیر آزمایشگاه علوم کامپیوتر و هوش مصنوعی MITs (CSAIL) میگوید: «طبیعت به ما نشان میدهد که هنوز فضای زیادی برای بهبود وجود دارد.» « بنابراین، هدف ما کاهش بسیار زیاد پیچیدگی و افزایش قابلیت تفسیرپذیری مدلهای شبکه عصبی بود.»
پروفسور توماس هنزینگر، رئیس IST اتریش میگوید: « ما با الهام از طبیعت، مدلهای ریاضی جدیدی از نورونها و سیناپسها ایجاد کردیم.»
دکتر رامین حسنی، عضو فوقدکترا در موسسه مهندسی کامپیوتر، TU وین و MIT CSAIL میگوید: « پردازش سیگنالها در سلولهای فردی از اصول ریاضی متفاوتی نسبت به مدلهای عمیق قبلی پیروی میکند.» همچنین، شبکههای ما بسیار پراکنده هستند-- این بدان معنی است که هر سلول به هر سلول دیگری متصل نیست. این کار همچنین شبکه را سادهتر میسازد.
مسیر خودمختار
این تیم برای آزمایش ایدههای جدید یک کار آزمایشی مهم را انتخاب کرد: اتومبیلهای خود-ران که در مسیر خود میمانند. شبکه عصبی تصاویر دوربین جاده را به عنوان ورودی دریافت میکند و تصمیم میگیرد که به طور خودکار به سمت راست یا چپ هدایت شود.
ماتیاس لچنر، فارغالتحصیل دانشگاه TU وین و دانشجوی دکترای تخصصی در اتریش میگوید: « امروزه، مدلهای یادگیری عمیق با میلیون ها پارامتر اغلب برای یادگیری وظایف پیچیده مانند رانندگی مستقل مورد استفاده قرار میگیرند.» با این حال، رویکرد جدید ما را قادر میسازد تا اندازه شبکهها را به دو مرتبه بزرگی کاهش دهیم. سیستمهای ما تنها از ۷۵،۰۰۰ پارامتر قابل آموزش استفاده میکنند.
الکساندر امینی، دانشجوی دکترای دانشگاه MIT CSAIL توضیح میدهد که سیستم جدید شامل دو بخش است: ورودی دوربین ابتدا توسط یک شبکه عصبی به اصطلاح پیچشی پردازش میشود، که تنها دادههای بصری را برای استخراج ویژگیهای ساختاری از پیکسل های ورودی درک میکند. این شبکه تصمیم میگیرد که کدام بخش از تصویر دوربین جالب و مهم است، و سپس سیگنالها را به بخش حیاتی شبکه-- یک «سیستم کنترل» که وسیله نقلیه را هدایت میکند-- منتقل میکند.
هر دو سیستم فرعی روی هم انباشته شدهاند و به طور همزمان آموزش داده میشوند. ساعتهای زیادی از ویدئوهای ترافیکی انسان که در منطقه بوستون بزرگ رانندگی میکنند جمعآوری شدند، و به همراه اطلاعاتی در مورد چگونگی هدایت خودرو در هر موقعیت دادهشده به شبکه وارد شدند-- تا زمانی که سیستم یاد بگیرد که تصاویر را به طور خودکار با جهت فرمان مناسب متصل کند و بتواند به طور مستقل شرایط جدید را مدیریت کند.
بخش کنترل سیستم (سیاست مدار عصبی یا NCP نامیده میشود)، که دادهها را از ماژول ادراک به فرمان هدایت تبدیل میکند، تنها شامل ۱۹ نورون است. ماتیاس لچنر توضیح میدهد که NCPs ها تا ۳ برابر کوچکتر از چیزی هستند که در مدلهای پیشرفته قبلی ممکن بود.
علیت و قابلیت تفسیر
مدل جدید یادگیری عمیق بر روی یک وسیله نقلیه واقعی مستقل آزمایش شد. مدل ما به ما این امکان را میدهد تا بررسی کنیم که شبکه در حین رانندگی بر چه چیزی تمرکز میکند. شبکههای ما بر روی بخشهای بسیار خاصی از تصویر دوربین تمرکز میکنند: لبههای محدود و افق. این رفتار بسیار مطلوب است و در میان سیستمهای هوش مصنوعی منحصر به فرد است. علاوه بر این، ما دیدیم که نقش هر سلول واحد در هر تصمیم رانندگی را می توان شناسایی کرد. ما میتوانیم عملکرد سلولهای فردی و رفتار آنها را درک کنیم. دستیابی به این درجه از قابلیت تفسیر برای مدلهای یادگیری عمیق بزرگتر غیرممکن است.
نیرومندی
ماتیاس لچنر میگوید: « برای آزمایش اینکه چگونه NCPs های مقاوم با مدلهای عمیق قبلی مقایسه میشوند، ما تصاویر ورودی را آشفته کرده و ارزیابی میکنیم که نمایندگان تا چه حد میتوانند با نویز مقابله کنند.» در حالی که این مساله برای دیگر شبکههای عصبی عمیق به یک مشکل غیرقابل رفع تبدیل شد، NCPs های ما مقاومت زیادی در برابر مصنوعات ورودی نشان دادند. این ویژگی نتیجه مستقیم مدل عصبی جدید و معماری است.
رامین حسنی میگوید: « قابلیت تفسیر و قدرت دو مزیت اصلی مدل جدید ما هستند.» اما موارد بیشتری وجود دارد: ما با استفاده از روشهای جدید میتوانیم زمان آموزش و امکان اجرای هوش مصنوعی را در سیستمهای نسبتا ساده کاهش دهیم. NCPs های ما یادگیری تقلیدی را در طیف وسیعی از برنامههای کاربردی ممکن، از کار خودکار در انبارها گرفته تا حرکت ربات را ممکن میسازند. یافتههای جدید چشم اندازهای جدید مهمی را برای جامعه هوش مصنوعی باز میکنند: اصول محاسبه در سیستمهای عصبی زیستی میتواند به یک منبع بزرگ برای ایجاد هوش مصنوعی با عملکرد بالا-به عنوان جایگزینی برای سیستمهای یادگیری ماشین جعبه سیاه که ما تاکنون استفاده کردهایم-تبدیل شود.
ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات هوش مصنوعی انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.