درک ذهنی (واقعی و مجازی) می تواند مشابه باشد


شبکه های مغزی شبیه سازی شده در صورتی که تک تک سلول های آنها دارای تنوع باشند سریعتر یاد می گیرند. این یافته نتیجه تحقیقات دانشمندان کالج امپریال لندن است. آنها مغزهای مجازی ساختند که سلولهای مغزی یکسانی و مغزهای مجازی که انواع مختلف سلولهای مغزی را ترکیب کرده بودند ، یعنی سلولهای مغزی با ویژگیهای الکتریکی متفاوت ، ترکیب کردند.

هنگامی که دانشمندان وظایف یادگیری را بر روی مغزهای مختلف انجام می دادند ، دارای مغزهایی بودند که با توجه به اینکه یکسان نیستند ، متفاوت از مغزهایی هستند که یکسان هستند. به طور خاص ، مغزهای “ناهمگن” سریعتر یاد گرفتند و نسبت به مغزهای “همگن” از نظر مصرف انرژی کارآمدتر بودند.

دانشمندان می گویند یافته های آنها می تواند به ما بیاموزد که چرا مغز ما به خوبی یاد می گیرد و همچنین می تواند به ایجاد سیستم های هوش مصنوعی مانند دستیاران دیجیتالی که می توانند صداها و چهره ها را تشخیص دهند یا فناوری اتومبیل های خودران کمک کند.

دکتر گودمن ، مدرس ارشد در بخش مهندسی برق و الکترونیک امپراتور می گوید: “تکامل به ما عملکردهای باورنکردنی داده است ، که بسیاری از آنها تازه در حال درک آنها هستیم.” “تحقیقات ما نشان می دهد که ما می توانیم از زیست شناسی خود بیاموزیم که برای هوش مصنوعی بهتر کار می کند.”

گودمن نویسنده ارشد مقاله ای است که یافته های جدید را گزارش می دهد. مقاله ای با عنوان “تنوع نورون ها باعث یادگیری پایدار می شود” در 4 اکتبر منتشر شد ارتباط با طبیعتبه

نویسندگان مقاله می نویسند: “یادگیری با ناهمگونی ، به ویژه برای کارهای با ساختار زمانی غنی ، پایدارتر و قوی تر بود.” “علاوه بر این ، توزیع پارامترهای عصبی در شبکه های آموزش دیده مشابه آن است که به صورت تجربی مشاهده شده است. ما پیشنهاد می کنیم.

شبکه عصبی حرکات دست را تشخیص می دهد. [Imperial College London]

مغز از میلیاردها سلول به نام نورون تشکیل شده است که توسط “شبکه های عصبی” عظیمی به هم متصل شده اند و به ما اجازه می دهند جهان را بشناسیم. نورونها مانند دانه های برف به نظر می رسند: از دور شبیه به هم هستند ، اما در بازرسی بعدی مشخص می شود که هر دو یکسان نیستند.

در مقابل ، هر سلول در یک شبکه عصبی مصنوعی – فناوری مبتنی بر هوش مصنوعی – یکسان است ، فقط ارتباط آنها متفاوت است. اگرچه فناوری هوش مصنوعی با سرعت زیادی در حال پیشرفت است ، اما شبکه های عصبی آنها به اندازه مغز انسان دقیق و سریع نیست و محققان از خود می پرسند که آیا عدم تنوع سلولی آنها می تواند مقصر باشد؟

آنها شروع به مطالعه کردند که چگونه تقلید از مغز از طریق خواص مختلف سلول های شبکه عصبی می تواند یادگیری در هوش مصنوعی را افزایش دهد. آنها دریافتند که تنوع در سلول ها مطالعه آنها را بهبود می بخشد و مصرف انرژی را کاهش می دهد.

برای انجام این مطالعه ، محققان بر تغییر “ثابت زمان” تمرکز کردند ، به این معنی که هر سلول بسته به کاری که سلولهای متصل به آن انجام می دهند به سرعت تصمیم می گیرد چه کاری انجام دهد. برخی از سلولها خیلی سریع تصمیم می گیرند ، فقط بسته به اینکه سلولهای متصل شده چه کاری انجام می دهند. بر اساس آنچه سلولهای دیگر انجام داده اند ، سلولهای دیگر با گذشت زمان کندتر واکنش نشان می دهند.

پس از تغییر ثابت های زمانی سلول ها ، آنها شبکه را برای انجام برخی از کارها برای مطالعه دستگاه اختصاص دادند: طبقه بندی تصویر لباس و اعداد دست نویس. تشخیص اقدامات انسان ؛ و اعداد و دستورات گفته شده را شناسایی کنید.

نتایج نشان می دهد که بهتر است وظایف را در شرایط پیچیده تر و واقعی حل کنید و به شبکه اجازه دهید تا داده ها را به آرامی و به سرعت ادغام کند.

هنگامی که آنها میزان تغییرپذیری در شبکه های شبیه سازی شده را متغیر کردند ، دریافتند کسانی که بهترین عملکرد را داشتند با میزان تغییرپذیری مشاهده شده در مغز مطابقت داشتند ، این نشان می دهد که مغز ممکن است از تنوع مورد نیاز برای یادگیری مطلوب برخوردار باشد.

اولین نویسنده این مطالعه ، نیکلاس پرز ، دانشجوی دکتری مهندسی برق و الکترونیک در کالج امپریال لندن ، گفت: “مغز باید از نظر مصرف انرژی کارآمد باشد ، اما می تواند کارهای پیچیده را حل کند. کار ما نشان می دهد که تنوع نورون ها ، هم در مغز و هم در سیستم هوش مصنوعی ، این الزامات را برآورده می کند و می تواند یادگیری را افزایش دهد.

“ما نشان دادیم که چگونه می توان هوش مصنوعی را به عملکرد مغز نزدیک کرد. با این حال ، سیستم های هوش مصنوعی کنونی با دستیابی به سطح بهره وری انرژی که در سیستم های بیولوژیکی پیدا کرده ایم فاصله زیادی دارد. ما نحوه کاهش مصرف را بررسی خواهیم کرد.

دیدگاهتان را بنویسید