Kodėl net kandžių smegenys yra protingesnės už AI

Viena iš įdomių giliųjų neuroninių tinklų, susijusių su mašininiu mokymusi, ypatybių yra ta, kad jie stebėtinai skiriasi nuo neuroninių tinklų biologinėse sistemose. Nors yra panašumų, kai kurie kritiniai mašininio mokymosi mechanizmai neturi analogų gamtoje, kur mokymasis vyksta kitaip.

Šie skirtumai tikriausiai lemia, kodėl mašininio mokymosi sistemos kai kuriais našumo aspektais taip atsilieka nuo natūralių. Pavyzdžiui, vabzdžiai gali atpažinti kvapus vos po kelių ekspozicijų. Kita vertus, mašinoms mokytis reikia didžiulių mokymo duomenų rinkinių. Kompiuterių mokslininkai tikisi, kad supratimas apie natūralias mokymosi formas padės jiems panaikinti atotrūkį.

Prisijunkite Charles Delahunt ir kolegos iš Vašingtono universiteto Sietle, kurie sukūrė dirbtinį neuronų tinklą, kuris imituoja uoslės mokymosi sistemos struktūrą ir elgesį. penktadienis manduca kandys. Jie sako, kad jų sistema suteikia svarbių įžvalgų apie tai, kaip natūralūs tinklai mokosi, o tai gali turėti įtakos mašinoms.

Pirmiausia šiek tiek fono. Kandžių uoslės mokymosi sistema yra gana paprasta ir gerai suplanuota neurologų. Jį sudaro penki skirtingi tinklai, kurie perduoda informaciją iš vieno į kitą.

Pirmasis yra maždaug 30 000 cheminių receptorių sistema, kuri aptinka kvapus ir siunčia gana triukšmingą signalų rinkinį į kitą lygį, vadinamą antenos skiltele. Jame yra apie 60 vienetų, vadinamų glomerulais, kurių kiekvienas sutelkia dėmesį į specifinius kvapus.

Tada antenos skiltis siunčia nervinio kvapo kodus į grybo kūną, kuriame yra apie 4000 kenjono ląstelių ir, kaip manoma, užkoduoja kvapus kaip prisiminimus.

Galiausiai rezultatą nuskaito išorinių neuronų sluoksnis, kurių skaičius siekia 10 sekundžių. Jie interpretuoja grybo kūno signalus kaip veiksmus, pavyzdžiui, skristi prieš vėją.

Kai kurie šios sistemos aspektai visiškai skiriasi nuo tų, kurie yra mašininio mokymosi tinkluose. Pavyzdžiui, antenos skiltis užkoduoja informaciją žemų matmenų parametrų erdvėje, bet siunčia ją grybo kūnui, kuris užkoduoja ją aukšto matmens parametrų erdvėje. Priešingai, dirbtinių neuronų tinklų sluoksniai paprastai turi panašius matmenis.

O kandims sėkmingas kvapo atpažinimas suaktyvina atlygio mechanizmą, kai neuronai į antenos skiltelę ir grybo kūną purškia cheminį neuromediatorių, vadinamą oktopaminu.

Tai yra esminė mokymosi proceso dalis. Atrodo, kad oktopaminas padeda sustiprinti neuroninius laidus, kurie veda į sėkmę. Tai yra pagrindinė Hebbian mokymosi dalis, kai ląstelės susijungia tarpusavyje. Iš tiesų, neurologai jau seniai žinojo, kad kandys nesimoko be oktopamino. Tačiau jo vaidmuo nėra gerai suprantamas.

Mokymasis mašinose yra labai skirtingas. Jis remiasi procesu, vadinamu backpropagation, kuris koreguoja neuroninius ryšius taip, kad pagerintų rezultatus. Tačiau šiame procese informacija iš esmės keliauja atgal per tinklą ir gamtoje nėra žinomo jos analogo.

Norėdami geriau suprasti, kaip kandžiai mokosi, Delahunt ir bendradarbiai sukūrė dirbtinį neuroninį tinklą, imituojantį natūralaus tinklo elgesį. Sukūrėme nuo galo iki galo skaičiavimo modelį penktadienis manduca Kandžių uoslės sistema, kuri apima antenos skilties ir grybo kūno sąveiką stimuliuojant oktopaminą, sako jie.

Modelis yra specialiai sukurtas atkurti natūralios sistemos elgesį visais lygmenimis. Visų pirma, modelis imituoja triukšmingus kvapų receptorių generuojamus signalus ir matmenų pasikeitimą, kai informacija teka iš antenos skilties į grybo kūną, ir jame yra oktopamino vaidmens analogas.

Ir rezultatai leidžia įdomiai skaityti. Modelis parodo, kaip kvapo receptoriai sukuria triukšmingą signalą, kurį iš anksto sustiprina antenos skiltis. Tačiau matmenų pasikeitimas, kai signalas keliauja į grybo kūną, pašalina triukšmą, o tai leidžia sistemai generuoti konkrečius, vienareikšmius veiksmo signalus, pavyzdžiui, skristi prieš vėją.

Oktopamino vaidmuo taip pat atrodo aiškesnis. Modeliavimas rodo, kad mokymasis gali vykti ir be oktopamino, tačiau jis yra toks lėtas, kad iš tikrųjų yra nenaudingas. Tai reiškia, kad oktopaminas veikia kaip galingas mokymosi greitintuvas.

Tačiau kaip tai daroma, vis dar reikia diskutuoti. Delahunt ir bendradarbiai turi savo idėjų. Galbūt tai yra mechanizmas, leidžiantis kandis apeiti vidinius organinius suvaržymus, susijusius su hebiečių naujų sinapsių augimu, suvaržymus, kurie kitu atveju apribotų kandis iki nepriimtinai lėto mokymosi greičio.

Oktopaminas taip pat turi kitą vaidmenį. Hebbian mokymasis tik sustiprina jau egzistuojančius ryšius, todėl kyla klausimas, kaip atsiranda naujų laidų. Delahunt ir bendradarbiai teigia, kad oktopaminas atveria naujus perdavimo kanalus laidams. Tai išplečia sprendimų erdvę, kurią sistema gali tyrinėti mokymosi metu, sako jie.

Įspūdingiausia yra tai, kad imituojamas tinklas mokosi panašiai kaip natūralus tinklas. Mūsų modelis gali tvirtai išmokti naujų kvapų, o mūsų integruotų ir uždegančių neuronų modeliavimas atitinka statistines in vivo šaudymo greičio duomenų ypatybes, sako Delahunt ir kt.

Šis darbas, kuris gali turėti reikšmingų pasekmių kuriant sintetinius neuroninius tinklus, kuriuos reikia greitai išmokti. Žvelgiant iš mašininio mokymosi perspektyvos, modelis sukuria biologiškai įkvėptus mechanizmus, kurie gali būti naudingi kuriant neuroninius tinklus, kad būtų galima greitai mokytis iš labai nedaug pavyzdžių, teigia komanda.

Taigi ateities mašininio mokymosi tinkluose netrukus gali atsirasti imituotų oktopamino ir kitų neurotransmiterių versijos.

Žinoma, neurotransmiteriai yra svarbūs ne tik mokantis. Neuromokslininkai puikiai žino, kokį vaidmenį vaidina emocijose, nuotaikų reguliavime ir pan. Čia yra dar viena mokslinių tyrimų kryptis, kurią bus suinteresuotos ištirti mašininio mokymosi komandos.

Nuoroda: arxiv.org/abs/1802.02678 : Biologiniai mokymosi mechanizmai: uoslės mokymosi kompiuterinis modelis Manduca sexta Moth, naudojant neuroninius tinklus

paslėpti