Badania naukowe prowadzone przez zespół z MRC Brain Network Dynamics Unit oraz Wydziału Informatyki Uniwersytetu Oksfordzkiego dostarczyły przełomowego wglądu w sposób, w jaki ludzki mózg tworzy połączenia między neuronami w trakcie uczenia się. Odkrycie to otwiera nowe możliwości dla badań nad procesami uczenia się w sieciach neuronowych oraz może przyczynić się do rozwoju bardziej efektywnych i niezawodnych algorytmów AI.
Kluczowe dla zrozumienia procesu uczenia się — czy to AI, czy to u człowieka — jest rozpoznanie, które elementy procesu przetwarzania informacji są odpowiedzialne za błędy w danych wyjściowych (w naszym przypadku — za odtwarzanie informacji). W sztucznej inteligencji wykorzystuje się do tego wsteczną propagację, polegającą na dostosowywaniu parametrów modelu w celu zminimalizowania ryzyka błędu. Ludzki mózg wykorzystuje zgoła odmienną zasadę, która pozwala na szybsze i bardziej efektywne uczenie się.
Naukowcy zauważyli, że biologiczny mózg jest bardziej efektywny w procesie uczenia się niż obecne systemy uczenia maszynowego. Ludzki mózg potrafi przyswajać nowe informacje po jednorazowym ich skonsumowaniu (choć dobrze jest je mózgowi "powtórzyć"), podczas gdy sztuczne systemy wymagają wielokrotnego powtarzania tych samych danych. Ponadto mózg jest w stanie uczyć się nowych rzeczy, zachowując jednocześnie wcześniej nabytą wiedzę, w odróżnieniu od sztucznych sieci neuronowych, gdzie nowe informacje mogą zakłócać i degradować już istniejące dane.
Podstawą tego odkrycia jest analiza i symulacja istniejących modeli matematycznych opisujących zmiany w zachowaniu neuronów i połączeń synaptycznych. Naukowcy odkryli, że mózg stosuje inną zasadę uczenia się niż sztuczne sieci neuronowe. W sztucznych sieciach zewnętrzny algorytm dostosowuje połączenia synaptyczne w celu zredukowania błędu, podczas gdy mózg ustala najpierw aktywność neuronów w optymalnej konfiguracji, zanim przystąpi do dostosowywania połączeń.
Ta metoda, nazwana "konfiguracją prospektywną", została opisana w czasopiśmie Nature Neuroscience. W symulacjach komputerowych wykazano, że modele wykorzystujące tę zasadę uczą się szybciej i skuteczniej niż tradycyjne sztuczne sieci neuronowe. Zostało to zilustrowane na przykładzie niedźwiedzia łowiącego łososia, gdzie w przypadku uszkodzonego zmysłu słuchu, mózg zwierzęcia nadal potrafi korzystać z pozostałych zmysłów, w przeciwieństwie do sztucznych sieci, gdzie hipotetyczny brak jednego "zmysłu" może prowadzić do znacznego spadku wydajności.
Odkrycie to stanowi istotny krok ku zrozumieniu procesów uczenia się w mózgu, a także może przyczynić się do rozwoju bardziej efektywnych algorytmów uczenia maszynowego. Naukowcy zwracają uwagę na konieczność dalszych badań, które pomogą zrozumieć, w jaki sposób konfiguracja prospektywna jest wykorzystywana w ludzkich mózgach. Dodatkowo dr Yuhang Song podkreśla potrzebę opracowania nowych typów komputerów lub dedykowanego sprzętu inspirowanego ludzkim mózgiem, który byłby zdolny do szybkiego i efektywnego wdrażania tej konfiguracji przy minimalnym zużyciu energii.
Hej, jesteśmy na Google News - Obserwuj to, co ważne w techu
