[ad_1]
مرکز RIKEN برای علوم مغز (CBS) در ژاپن به همراه همکارانش نشان داده است که اصل انرژی آزاد می تواند توضیح دهد که چگونه شبکه های عصبی برای کارایی بهینه می شوند. منتشر شده در مجله علمی زیست شناسی ارتباطات، این مطالعه ابتدا نشان می دهد که چگونه اصل انرژی آزاد اساس هر شبکه عصبی است که هزینه انرژی را به حداقل می رساند. سپس، به عنوان اثبات مفهوم، نشان می دهد که چگونه یک شبکه عصبی به حداقل رساندن انرژی می تواند پیچ و خم ها را حل کند. این یافته برای تجزیه و تحلیل عملکرد مغز مختل در اختلالات فکری و همچنین برای تولید شبکه های عصبی بهینه شده برای هوش مصنوعی مفید خواهد بود.
بهینه سازی بیولوژیکی یک فرآیند طبیعی است که بدن و رفتار ما را تا حد امکان کارآمد می کند. یک مثال رفتاری را می توان در انتقالی که گربه ها از دویدن به تاختن انجام می دهند مشاهده کرد. سوئیچ به دور از تصادفی بودن، دقیقاً با سرعتی اتفاق میافتد که مقدار انرژی لازم برای تاختن کمتر از آن میشود. در مغز، شبکههای عصبی بهینهسازی شدهاند تا امکان کنترل کارآمد رفتار و انتقال اطلاعات را فراهم کنند، در حالی که همچنان توانایی سازگاری و پیکربندی مجدد با محیطهای در حال تغییر را حفظ میکنند.
همانند محاسبه ساده هزینه/فایده که می تواند سرعت شروع به تاختن گربه را پیش بینی کند، محققان RIKEN CBS در تلاش هستند تا اصول ریاضی اساسی را کشف کنند که زیربنای چگونگی بهینه سازی خود شبکه های عصبی است. اصل انرژی آزاد از مفهومی به نام استنتاج بیزی پیروی می کند که کلید آن است. در این سیستم، یک عامل به طور مداوم توسط داده های حسی ورودی جدید و همچنین خروجی ها یا تصمیمات گذشته خود به روز می شود. محققان اصل انرژی آزاد را با قوانین ثابت شده ای مقایسه کردند که چگونه قدرت اتصالات عصبی در یک شبکه را می توان با تغییرات در ورودی حسی تغییر داد.
تاکویا ایزومورا، نویسنده اول و رهبر واحد میگوید: «ما توانستیم نشان دهیم که شبکههای عصبی استاندارد، که دارای مدولاسیون تاخیری انعطافپذیری هبی هستند، برنامهریزی و کنترل رفتاری تطبیقی را با در نظر گرفتن «تصمیمهای» قبلیشان انجام میدهند. مهمتر از همه، آنها این کار را به همان روشی انجام می دهند که از اصل انرژی آزاد پیروی می کنند.
هنگامی که آنها ثابت کردند که شبکه های عصبی از نظر تئوری از اصل انرژی آزاد پیروی می کنند، این نظریه را با استفاده از شبیه سازی آزمایش کردند. شبکه های عصبی با تغییر قدرت اتصالات عصبی خود و مرتبط کردن تصمیمات گذشته با نتایج آتی خود سازماندهی می شوند. در این مورد، شبکههای عصبی را میتوان تحت کنترل اصل انرژی آزاد دانست که به آن اجازه میدهد مسیر صحیح را از طریق آزمون و خطا به روش آماری بهینه بیاموزد.
این یافتهها به مجموعهای از قوانین ریاضی جهانی اشاره میکنند که چگونگی خودبهینهسازی شبکههای عصبی را توصیف میکنند. همانطور که ایزومورا توضیح می دهد، “یافته های ما تضمین می کند که یک شبکه عصبی دلخواه می تواند به عنوان عاملی انتخاب شود که از اصل انرژی آزاد پیروی می کند و یک توصیف جهانی برای مغز فراهم می کند.” این قوانین، همراه با تکنیک جدید مهندسی معکوس محققان، میتواند برای مطالعه شبکههای عصبی برای تصمیمگیری در افراد مبتلا به اختلالات فکری مانند اسکیزوفرنی و پیشبینی جنبههایی از شبکههای عصبی آنها که تغییر یافته است، مورد استفاده قرار گیرد.
یکی دیگر از کاربردهای عملی این قوانین جهانی ریاضی می تواند در زمینه هوش مصنوعی باشد، به ویژه آنهایی که طراحان امیدوارند بتوانند به طور موثر یاد بگیرند، پیش بینی کنند، برنامه ریزی کنند و تصمیم بگیرند. ایزومورا میگوید: «تئوری ما میتواند پیچیدگی طراحی سختافزار نورومورفیک خودآموز را برای انجام انواع مختلف وظایف که برای نسل بعدی هوش مصنوعی مهم است، بهطور چشمگیری کاهش دهد».
منبع داستان:
مواد ارائه شده توسط RIKEN. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
[ad_2]