X

设计生物启发的人工智能

几十年的人工智能(AI)研究人员已经转向大脑的灵感,但神经元创造或抑制联系的机制,例如那些负责记忆,想象力和规划的人,以及这些影响学习如何,认知和创造性行为仍然难以捉摸。

USC. Viterbi Paul Bogdan教授和他的 网络物理系统组而伊利诺伊州伊利诺伊大学在Urbana-Champaign合作者,让我们更接近解锁这些谜团。他们的调查结果在科学报告中发表,帮助我们回答一些关于大脑中的信息如何从一个网络流向另一个网络以及这些网络集群随着时间的推移自我优化的一些基本问题。

在他们的论文中 “从定量相位成像数据中破译脑衍生的神经元培养的网络科学特征” 波格丹和他的团队研究了小鼠和大鼠大脑中神经网络的结构和演变。第一研究遵守体外神经元网络中的这种自我优化现象。

“我们观察到大脑的网络具有非凡的能力,以最大限度地减少延迟,最大化吞吐量并最大限度地提高鲁棒性。”在Ming Hsieh电气工程系举办杰克蒙岛早期职业椅的波格丹说。 “这意味着神经网络彼此协商,并以迅速提高网络性能的方式彼此连接。”

对于波格丹的惊喜,神经科学所采用的古典数学模型都无法准确地复制这种现象。使用多重分析和一种名为定量相位想象的新型成像技术(QPI),由Gabriel Popescu开发的伊利诺伊州伊利诺伊大学电脑工程教授,该研究团队能够以高精度模拟和分析这种现象。

“拥有这种精度水平可以让我们更清楚地了解生物大脑内部工作的图像以及我们如何潜在地复制人工大脑中的内部运作情况,”波格丹说。

作为人类,我们有能力在毫无遗忘的情况下学习新任务。然而,人工神经网络遭受了所谓的灾难性遗忘问题。当我们试图教授一个机器人两个连续的任务时,我们看到了这一点,例如爬楼梯然后关闭光线。

机器人可能会覆盖允许它爬上楼梯的配置,因为它朝向执行第二任务的最佳状态,关闭光线。发生这种情况,因为深度学习系统依赖于大量的培训数据来掌握最简单的任务。

如果我们可以复制生物脑如何实现持续学习或我们的归纳推理的认知能力,Bogdan认为,我们可以教授A.I.多个任务而不会增加网络容量。

除了教学之外..据Chnennhong Yin统计,这项研究的发现可能对脑肿瘤的早期检测立即产生即时影响。 Bogdan的Cyeberic Systems集团的学生以及博士学位学生Xiongye Xiao和Valeriu Balaban开发了允许团队进行分析的算法和代码。

“癌症在小群体中传播,不能通过FMRI或其他扫描技术来检测,直到为时已晚,”尹说。 “但是通过这种方法,我们可以训练A.I.通过监测和发现神经元之间的异常相互作用来检测甚至预测疾病。“

为实现这一目标,研究人员现在正在寻求完善他们的算法和成像工具,用于监控这些复杂的神经元网络生活在生活大脑内。

“通过将成像装置放在活着的动物的大脑上,我们还可以监控和观察神经网络中的东西,如神经网络的生长和萎缩,如果一种药物是有效的,并且最终如何学习发生的情况,那么记忆和认知形式。然后,我们可以开始设计更好的人工神经网络,就像大脑一样,可以有能力自我优化。“

该研究是共同撰写的:Chenzhong Yin,Xiongye Xiao,Valeriu Balaban,Mikhail E Kandel,Young Jae Lee,Gabriel Popescu和Paul Bogdan。它得到了国家科学基金会(NSF)和国防高级研究项目局(DARPA)的支持。

本网站使用cookie。