به گزارش خبرنگار علم و فناوری ایسکانیوز؛ پژوهش تازه‌ محققان دانشگاه جانز هاپکینز نشان می‌دهد برخی معماری‌های الهام‌ گرفته از مغز زیستی می‌توانند حتی پیش از آنکه روی داده‌ای آموزش ببینند، الگوهای فعالیتی شبیه فعالیت مغز انسان تولید کنند؛ یافته‌ای که فرضیه‌های دیرینه درباره اینکه هوش مصنوعی چگونه باید یاد بگیرد را زیر سؤال می‌برد.

این مطالعه که در نشریه «نیچر ماشین اینتلیجنس» منتشر شده، نشان می‌دهد طراحی یک مدل هوش مصنوعی ممکن است بسیار مهم‌تر از فرایندهای عمیق یادگیری باشد که معمولاً ماه‌ها زمان می‌برند، انرژی عظیمی مصرف می‌کنند و میلیاردها دلار هزینه دارند.

میک بانر، استادیار علوم شناختی در دانشگاه جانز هاپکینز و نویسنده اصلی مقاله می‌گوید: رویکرد فعلی در حوزه هوش مصنوعی این است که حجم عظیمی از داده را به مدل‌ها می‌دهند و منابع محاسباتی در ابعاد یک شهر کوچک می‌سازند. این کار مستلزم صرف صدها میلیارد دلار است. در مقابل، انسان‌ها با مقدار بسیار کمی داده یاد می‌گیرند که ببینند.

وی می‌افزاید: ممکن است تکامل به ‌دلیل خوبی به این طراحی رسیده باشد. کار ما نشان می‌دهد معماری‌هایی که بیشتر شبیه مغز هستند، نقطه شروع بسیار بهتری برای سامانه‌های هوش مصنوعی ایجاد می‌کنند.

بانر و همکارانش سه دسته مهم از طراحی شبکه را بررسی کردند که معمولاً برای ساخت سامانه‌های هوش مصنوعی مدرن به کار می‌روند: ترنسفورمرها، شبکه‌های کاملاً متصل (fully connected) و شبکه‌های کانولوشنی. منظور از شبکه‌های کانولوشنی یا Convolution شبکه‌ای است که با نگاه کردن نقطه ‌به‌ نقطه به تصویر، ویژگی‌ها را خودکار استخراج می‌کند؛ مثل کاری که بخش بینایی مغز انجام می‌دهد.

آزمودن معماری‌های هوش مصنوعی در برابر فعالیت مغزی

پژوهشگران این سه طرح -یا همان معماری‌های هوش مصنوعی- را بارها اصلاح کردند تا ده‌ها شبکه عصبی مصنوعی منحصر به‌فرد بسازند. سپس، این شبکه‌های بدون ‌آموزش را در معرض تصاویر اشیاء، انسان‌ها و حیوانات قرار دادند و واکنش مدل‌ها را با فعالیت مغزی انسان‌ها و نخستی‌ها هنگام مشاهده همان تصاویر مقایسه کردند.

وقتی ترنسفورمرها و شبکه‌های کاملاً متصل با افزودن تعداد زیادی نورون مصنوعی اصلاح شدند، تغییر چندانی نشان ندادند. اما دستکاری مشابه در معماری شبکه‌های کانولوشنی به پژوهشگران امکان داد الگوهای فعالیتی در هوش مصنوعی ایجاد کنند که بهتر از گذشته الگوهای مغزی انسان را بازنمایی می‌کرد.

معماری بیش از آنچه تصور می‌شد اهمیت دارد

به گفته پژوهشگران، شبکه‌های کانولوشنیِ بدون آموزش توانستند به پای سامانه‌های معمولی هوش مصنوعی برسند -سامانه‌هایی که معمولاً طی آموزش در معرض میلیون‌ها یا میلیاردها تصویر قرار می‌گیرند- و این نشان می‌دهد که معماری نقش مهم‌تری نسبت به آنچه قبلاً تصور می‌شد ایفا می‌کند.

بانر می‌گوید: اگر واقعاً آموزش با داده‌های عظیم عامل اصلی باشد، نباید بتوان تنها با اصلاح معماری‌ها به سامانه‌هایی شبیه مغز انسان دست یافت. این یعنی با شروع از نقشه ساخت درست و شاید با به‌کارگیری بینش‌های دیگر از زیست‌شناسی ممکن است بتوانیم یادگیری در سامانه‌های هوش مصنوعی را به‌ طور چشمگیری سرعت دهیم.

در گام بعدی، پژوهشگران در حال کار روی توسعه الگوریتم‌های یادگیری ساده‌ای هستند که براساس زیست‌شناسی مدل‌سازی شده‌اند و می‌توانند چارچوبی تازه برای یادگیری عمیق ارائه کنند.

انتهای پیام/