Şu yayını okuyorsunuz: MIT araştırmacıları, yeni bir beyin türünün kilidini açmak için iki nöronun sinapslar aracılığıyla etkileşiminin ardındaki diferansiyel denklemi çözüyorlar.
Sürekli zamanlı sinir ağları, uzay-zamansal karar verme görevleri için temsili öğrenmeyi üstlenebilen makine öğrenme sistemlerinin bir alt kümesidir. Bu modelleri temsil etmek için sıklıkla sürekli diferansiyel denklemler kullanılır (DE). Ancak DE sayısal çözücüleri bilgisayarlarda kullanıldığında ifade potansiyellerini sınırlar. Sinir sistemlerinin dinamikleri gibi birçok doğal fiziksel sürecin ölçeklenmesi ve anlaşılması bu kısıtlama nedeniyle ciddi şekilde engellenmiştir.
Mikroskobik canlıların beyinlerinden ilham alan MIT araştırmacıları, değişen durumları öğrenip bunlara uyum sağlayabilen sağlam ve akıcı bir makine öğrenimi modeli olan “sıvı” sinir ağlarını geliştirdi. Bu yöntemler, araba kullanmak ve uçmak gibi güvenlik açısından kritik görevlerde kullanılabilir.
Ancak modeldeki nöron ve sinaps sayısı arttıkça altta yatan matematiğin çözülmesi zorlaşır ve modelin işlem maliyeti artar.
Diferansiyel denklemlere dayalı sinir ağı sistemlerinin çözülmesi zordur ve çok sayıda parametreye göre ölçeklendirilmesi zordur. Karmaşık sinir ağları, eşikle birlikte hücresel etkileşimlerin fiziksel bir açıklamasıyla oluşturulabilir. Gelecekteki herhangi bir entegre zeka sistemi, gelişmiş temsili öğrenmeyi mümkün kılarak daha karmaşık makine öğrenimi görevlerinin çözülmesine yardımcı olabileceğinden, bu çerçeveyi bir temel olarak kullanmalıdır.
Aynı araştırmacı grubu şimdi, iki nöronun sinapslar arasındaki etkileşiminin altında yatan diferansiyel denklemi çözerek bu engeli aşmanın bir yolunu buldu. Bunu takiben, sıvı ağların çekici niteliklerini koruyan ancak sayısal entegrasyon ihtiyacını ortadan kaldıran “kapalı form sürekli zaman” (CfC’ler) adı verilen yeni makine öğrenimi modelleri sunuyorlar.
Bu yöntem, sıvı sinir ağları kadar hızlı ve ölçeklenebilir olup onun nedensel, sağlam ve açıklanabilir özelliklerini paylaşmaktadır. Bu sinir ağları küçük olduğundan ve eğitimden sonra gelişmeye devam ettiğinden, zaman içinde verilerin anlaşılmasını gerektiren herhangi bir görev için kullanılabilirler; oysa birçok geleneksel model katıdır.
Bu, kritik görev ortamlarında güvenilir makine öğreniminin önünü açıyor. Bu diferansiyel denklemi adım adım çözmeye artık gerek kalmadığı gibi, hesaplama süresi de büyük ölçüde azaldı.
Modeller, hareket sensörleri kullanarak insan davranışlarını tanımak, simüle edilmiş yürüyen bir robotun fiziksel dinamiklerini modellemek ve sıralı görüntülerdeki olayları işlemek dahil olmak üzere çeşitli görevlerde en son teknolojiye sahip benzerlerinden önemli ölçüde daha iyi performans gösterdi. Örneğin modeller, 8.000 hastadan oluşan bir grubun ölüm oranının tahmin edilmesini içeren bir işte insan uzmanlardan 220 kat daha hızlıydı.
.
Kapalı form çözümü, sistemin gerçek dinamiğinin iyi bir tahminidir, dolayısıyla onu bu ağa yerleştirirseniz kesin davranışı elde edersiniz. Bu nedenle, bunu daha az nöronla çözebilirler, bu da onu hesaplama açısından daha ucuz ve daha hızlı hale getirir.
Zaman serileri (zaman içinde meydana gelen olaylar) bu modellere girdi olarak kullanılabilir; bunlar daha sonra kategorizasyon, araç kontrolü, insansı robot hareketi ve hatta finansal ve tıbbi tahminler için kullanılabilir. Sistemin doğruluğunu, dayanıklılığını, performansını ve en önemlisi hesaplama hızını artırmak için birçok farklı konfigürasyon kullanılabilir, ancak bu iyileştirmelerin her zaman bir maliyeti yoktur.
Bu denkleme bir çözüm bulmanın hem doğal hem de yapay zeka çalışmaları açısından geniş kapsamlı sonuçları olacaktır. Bu araştırmanın bulguları, sinir ağlarının bu kategorisi için bilgi işlem verimliliğinin arttırılmasının, güvenlik açısından kritik ticari ve savunma sistemleri gibi alanlarda kullanım için nasıl yeni olanaklar açabileceğini göstermektedir.
Görüntüle kağıt, kod, veri seti, Ve referans makalesi. Bu araştırmanın tüm kredisi bu projenin araştırmacılarına aittir. Ayrıca katılmayı unutmayın reddit sayfamız Ve anlaşmazlık kanalıEn son AI araştırma haberlerini, ilginç AI projelerini ve daha fazlasını paylaştığımız yer.
Yüzlerce Harika Yapay Zeka Aracını bulmak için https://aitoolsclub.com adresini ziyaret edin
