مدل AI جدید با الهام از پویایی عصبی از مغز

محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) یک مدل هوش مصنوعی جدید با الهام از نوسانات عصبی در مغز تهیه کرده اند ، با هدف پیشبرد قابل توجهی در مورد چگونگی کنترل الگوریتم های یادگیری ماشین ، توالی های طولانی داده ها را کنترل می کند.

هوش مصنوعی غالباً با تجزیه و تحلیل اطلاعات پیچیده ای که در مدت زمان طولانی آشکار می شود ، مانند روند آب و هوا ، سیگنال های بیولوژیکی یا داده های مالی تلاش می کند. یک نوع جدید از مدل AI به نام “مدل های فضای فضای” ، به طور خاص برای درک این الگوهای پی در پی به طور مؤثر طراحی شده است. با این حال ، مدل های موجود در فضای موجود اغلب با چالش هایی روبرو هستند-آنها می توانند ناپایدار شوند یا هنگام پردازش توالی داده های طولانی ، به منابع محاسباتی نیاز دارند.

برای پرداختن به این موضوعات ، محققان CSAIL T. Konstantin Rusch و Daniela Rus آنچه را آنها “مدل های حالت نوسان خطی” (Linoss) می نامند ، توسعه داده اند ، که از اصول نوسان سازهای هارمونیک اجباری استفاده می کند-مفهومی که عمیقاً ریشه در فیزیک دارد و در شبکه های عصبی بیولوژیکی مشاهده شده است. این رویکرد پیش بینی های پایدار ، بیانگر و محاسباتی را بدون شرایط بیش از حد محدود کننده ارائه می دهد روی پارامترهای مدل.

روچ توضیح می دهد: “هدف ما گرفتن ثبات و کارآیی دیده شده در سیستم های عصبی بیولوژیکی و ترجمه این اصول به یک چارچوب یادگیری ماشین بود.” “با Linoss ، اکنون می توانیم با اطمینان از تعامل دوربرد یاد بگیریم ، حتی در توالی هایی که صدها هزار نقطه داده یا بیشتر است.”

مدل Linoss در تضمین پیش بینی پایدار با نیاز به انتخاب های طراحی بسیار محدودتر از روش های قبلی ، بی نظیر است. علاوه بر این ، محققان با دقت توانایی تقریبی جهانی مدل را اثبات کردند ، به این معنی که می تواند هر عملکرد مداوم و علّی مربوط به توالی ورودی و خروجی را تقریبی کند.

آزمایش تجربی نشان داد که Linoss به طور مداوم از مدلهای پیشرفته موجود در طبقه بندی مختلف توالی و کارهای پیش بینی شده فراتر می رود. نکته قابل توجه ، Linoss از مدل Mamba بسیار مورد استفاده تقریباً دو بار در کارهایی که شامل توالی های طول شدید است ، بهتر عمل می کند.

به دلیل اهمیت آن ، این تحقیق برای ارائه شفاهی در ICLR 1404 انتخاب شد – افتخاری که فقط به 1 درصد برتر ارسال ها اعطا شد. محققان MIT پیش بینی می کنند که مدل Linoss می تواند به طور قابل توجهی بر هر زمینه ای که از پیش بینی و طبقه بندی دقیق افکار طولانی ، از جمله تجزیه و تحلیل مراقبت های بهداشتی ، علوم آب و هوا ، رانندگی خودمختار و پیش بینی مالی بهره مند شود ، تأثیر بگذارد.

روس می گوید: “این کار نشان می دهد که چگونه سخت گیری ریاضی می تواند منجر به پیشرفت های عملکرد و کاربردهای گسترده شود.” “با Linoss ، ما ابزاری قدرتمند برای درک و پیش بینی سیستم های پیچیده ، جامعه علمی را در اختیار جامعه علمی قرار می دهیم ، و شکاف بین الهام بیولوژیکی و نوآوری محاسباتی را ایجاد می کنیم.”

این تیم تصور می کند که ظهور یک الگوی جدید مانند Linoss مورد توجه پزشکان یادگیری ماشین برای ساختن آنها خواهد بود. محققان با نگاهی به آینده ، قصد دارند مدل خود را در طیف وسیع تری از روشهای مختلف داده استفاده کنند. علاوه بر این ، آنها پیشنهاد می کنند که لینوس می تواند بینش ارزشمندی در مورد علوم اعصاب ارائه دهد ، و به طور بالقوه درک ما از خود مغز را عمیق تر می کند.

کار آنها توسط بنیاد ملی علوم سوئیس ، برنامه اشمیت AI2050 و گروه شتاب دهنده اطلاعات مصنوعی نیروی هوایی ایالات متحده پشتیبانی شد.