Gilaus mašininio mokymosi schema, susidedanti iš daugelio sluoksnių (kairėje) ir sekliojo smegenų mokymosi, susidedančio iš kelių padidinto pločio sluoksnių (dešinėje). Autoriai: Prof. Ido Kanter, Bar-Ilan University Ankstyviausias dirbtinis neuroninis tinklas Perceptronas buvo pristatytas maždaug prieš 65 metus ir jį sudarė tik vienas sluoksnis. Tačiau, siekiant išspręsti sudėtingesnių klasifikavimo užduočių sprendimus, vėliau buvo pristatytos pažangesnės neuroninių tinklų architektūros, susidedančios iš daugybės grįžtamųjų (iš eilės) sluoksnių. Tai yra esminė dabartinio gilaus mokymosi algoritmų įgyvendinimo sudedamoji dalis. Jis pagerina analitinių ir fizinių užduočių atlikimą be žmogaus įsikišimo ir yra už kasdienių automatikos produktų, tokių kaip atsirandančios savaime važiuojančių automobilių technologijos ir autonominiai pokalbių robotai.
Pagrindinis klausimas, skatinantis naujus tyrimus, paskelbtus šiandien Mokslinės ataskaitos yra tai, ar galima efektyviai išmokti ne trivialių klasifikavimo užduočių naudojant smegenų įkvėptus seklius grįžtamojo ryšio tinklus, tuo pačiu reikalaujant mažesnio skaičiavimo sudėtingumo.
„Teigiamas atsakymas kelia abejonių dėl gilaus mokymosi architektūrų poreikio ir gali nukreipti unikalios aparatinės įrangos kūrimą efektyviam ir greitam sekliam mokymuisi įgyvendinti“, – sakė Bar-Ilan fizikos ir Gonda (Goldschmied) daugiadalykės katedros prof. Smegenų tyrimų centras, kuris vadovavo tyrimui. „Be to, tai parodytų, kaip smegenų įkvėptas seklus mokymasis pagerino skaičiavimo galimybes, sumažindamas sudėtingumą ir sumažindamas energijos sąnaudas.”
„Mes parodėme, kad efektyvus mokymasis dirbtinėje seklioje architektūroje gali pasiekti tuos pačius klasifikavimo sėkmės rodiklius, kurie anksčiau buvo pasiekti giliojo mokymosi architektūromis, susidedančiomis iš daugelio sluoksnių ir filtrų, tačiau su mažesniu skaičiavimo sudėtingumu“, – sakė mokslų daktaras Yardenas Tzachas. . šio darbo studentas ir bendradarbis. „Tačiau norint efektyviai įgyvendinti seklias architektūras, reikia pakeisti pažangios GPU technologijos savybes ir ateityje tobulinti specialią aparatinę įrangą“, – pridūrė jis.
Dendritinis mokymasis kaip sinapsinio plastiko alternatyva. Kreditas: Newswise Veiksmingas mokymasis apie smegenų įkvėptas seklias architektūras eina koja kojon su efektyviu dendritinio medžio mokymu, kuris yra pagrįstas ankstesniais prof. Kanterio eksperimentiniais tyrimais dėl subdendritinės adaptacijos naudojant neuronų kultūras, kartu su kitomis anizotropinėmis neuronų savybėmis, pavyzdžiui, skirtingomis smailių bangų formomis. , ugniai atsparūs laikotarpiai ir maksimalios perdavimo spartos.
Daugelį metų smegenų dinamika ir mašininio mokymosi raida buvo tiriami savarankiškai; tačiau neseniai buvo atskleista, kad smegenų dinamika yra naujų tipų veiksmingo dirbtinio intelekto šaltinis.
Daugiau informacijos: Efektyvus paviršutiniškas mokymasis kaip alternatyva giliam mokymuisi, Mokslinės ataskaitos (2023). DOI: 10.1038/s41598-023-32559-8. www.nature.com/articles/s41598-023-32559-8
Citata: Ar gilus mokymasis yra būtina dirbtinio intelekto sudedamoji dalis? (2023 m. balandžio 20 d.) gauta 2023 m. balandžio 20 d. iš https://techxplore.com/news/2023-04-deep-ingredient-artificial-intelligence.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
