Generatyvaus atkūrimo sąrankos grafika (viršutiniame kairiajame skydelyje) ir dirbtinio neuroninio tinklo mokymo schema ( ANN) su generatyviniu pakartojimu (viršutiniame dešiniajame skydelyje). Normalizuotas elektros srovės tikslumas įprastiniams (apatiniame kairiajame skydelyje) ir smegenų įkvėpto pakartojimo (BIR) modeliams (apatiniame dešiniajame skydelyje). Kreditas: SUTD Kaip rodo laimėjimai įvairiose dirbtinio intelekto (DI) srityse, tokiose kaip vaizdo apdorojimas, išmanioji sveikatos priežiūra, savarankiškai vairuojančios transporto priemonės ir išmanieji miestai, tai neabejotinai yra auksinis gilaus mokymosi laikotarpis. Per ateinantį dešimtmetį dirbtinis intelektas ir skaičiavimo sistemos galiausiai bus aprūpintos gebėjimu mokytis ir mąstyti taip, kaip tai daro žmonės – apdoroti nuolatinį informacijos srautą ir bendrauti su realiu pasauliu.
Tačiau dabartinių AI modelių našumas prarandamas, kai jie nuolat mokomi gauti naujos informacijos. Taip yra todėl, kad kiekvieną kartą, kai generuojami nauji duomenys, jie įrašomi ant esamų duomenų, taip ištrinant ankstesnę informaciją. Šis poveikis žinomas kaip „katastrofiškas užmiršimas“. Sunkumai kyla dėl stabilumo ir plastiškumo problemos, kai dirbtinio intelekto modelis turi atnaujinti savo atmintį, kad nuolat prisitaikytų prie naujos informacijos ir tuo pačiu išlaikytų dabartinių žinių stabilumą. Ši problema neleidžia pažangiausiam AI nuolat mokytis iš realaus pasaulio informacijos.
Kraštinės skaičiavimo sistemos leidžia skaičiuoti būti perkelti iš debesies saugyklos ir duomenų centrų į netoli pradinio šaltinio, pvz., įrenginius, prijungtus prie daiktų interneto (IoT). Veiksmingas nuolatinio mokymosi taikymas ribotų išteklių kompiuterinėse sistemose išlieka iššūkiu, nors šiai problemai išspręsti buvo pasiūlyta daug nuolatinio mokymosi modelių. Tradiciniams modeliams reikia didelės skaičiavimo galios ir didelės atminties talpos.
Naujo tipo kodas, skirtas energiją tausojančiai nuolatinio mokymosi sistemai įgyvendinti. neseniai sukūrė Singapūro technologijos ir dizaino universiteto (SUTD) mokslininkų komanda, įskaitant Shao-Xiang Go, Qiang Wang, Bo Wang, Yu Jiang ir Natasa Bajalovic. Komandai vadovavo pagrindinis tyrėjas, profesoriaus asistentas Desmondas Loke’as iš SUTD. Šių mokslininkų atliktas tyrimas „Nuolatinis elektros laidumo mokymasis varžinių perjungimo-atminties medžiagųe“ buvo paskelbtas žurnale „Advanced Theory and Simulations“ . .
Komanda pasiūlė „Brain-Inspired Replay“ (BIR), modelį, įkvėptą smegenys, kurios nuolat mokosi natūraliai. BIR modelis, pagrįstas dirbtinio neuroninio tinklo ir variacinio automatinio kodavimo sistemos naudojimu, imituoja žmogaus smegenų funkcijas ir gali gerai veikti klasės laipsniško mokymosi situacijose nesaugodamas duomenų. Tyrėjai taip pat naudojo BIR modelį, kad pavaizduotų laidžių siūlų augimą naudojant elektros srovę skaitmeninėse atminties sistemose.
„Šiame modelyje žinios išsaugomos apmokytuose modeliuose, kad būtų sumažintas našumo praradimas įvedant papildomas užduotis, nereikia remtis ankstesnių darbų duomenimis“, – aiškino docentas Loke’as. „Taigi, tai sutaupo daug energijos.“
„Be to, naujausias tikslumas buvo pasiektas 30 proc. iššūkių, susijusių su dabartinių mokymosi užduočių laikymusi nesaugant duomenų, o tai yra maždaug du kartus daugiau nei tradicinių. nuolatinio mokymosi modeliai, taip pat didelis energijos vartojimo efektyvumas“, – pridūrė jis.
Kad modelis būtų apdorotas – savarankiškai aptikti informaciją realiame pasaulyje, komanda planuoja išplėsti modelio koregavimo galimybes kitame tyrimo etape. „Remiantis nedidelio masto demonstracijomis, šis tyrimas vis dar yra ankstyvoje stadijoje”, – sakė docentas Loke’as. „Tikimasi, kad priėmus šį metodą kraštinės AI sistemos galėtų progresuoti nepriklausomai be žmogaus kontrolės.
Daugiau informacijos: 1002 Shao-Xiang Go ir kt., Continual Learning Electrical Conduction in rezistive-switching-Memory Materials, Išplėstinė teorija ir modeliavimas ( ). DOI: .800/adts.202200226
Citata1002 : Tyrėjai kuria naujas strategijas, skirtas išmokyti kompiuterius mokytis taip, kaip tai daro žmonės (2022, rugpjūtis ) gauta 30 rugpjūčio mėn. 202200226 iš https://techxplore.com/news/2022-08-strategies-humans.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.
