بریتنی گرایمز -6 نوامبر 2022 -تصویر مفهومی نورون مصنوعی.imaginima/iStock
هوش مصنوعی از تکنیکی به نام شبکه های عصبی مصنوعی (ANN) برای تقلید از نحوه عملکرد مغز انسان استفاده می کند. یک شبکه عصبی از ورودی مجموعه داده ها برای “یادگیری” و خروجی پیش بینی خود بر اساس اطلاعات داده شده استفاده می کند.
به تازگی، محققان موسسه فناوری ماساچوست علوم کامپیوتر و آزمایشگاه هوش مصنوعی (MIT CSAIL)، راه سریع‌تری برای حل معادله‌ای که در الگوریتم‌های نورون‌های عصبی «مایع» استفاده می‌شود، کشف کرده‌اند.
نورون های عصبی مایع
در ژانویه 2021، محققان MIT در ایالات متحده نورون های عصبی «مایع» را ساختند که از مغز گونه های کوچک الهام گرفته شده بودند. این الگوریتم “مایع” در نظر گرفته می شود زیرا الگوریتم می تواند با تغییر معادلات در هنگام دریافت داده های جدید، با تغییراتی که سیستم های دنیای واقعی تجربه می کنند، تنظیم شود. به عبارت دیگر، الگوریتم‌ها می‌توانند مانند آب سیال شوند و خود را طوری تنظیم کنند که وقتی مایع خودش را با جسمی که در آن قرار می‌دهد، تغییر کند.
انعطاف‌پذیری شبکه‌های عصبی «مایع» تخمین‌های تصمیم‌گیری بهتری را برای کارهای مختلفی که به داده‌های متوالی نیاز دارند، ایجاد کرد. دکتر رامین حسنی، یکی از همکاران تحقیقاتی در CSAIL و نویسنده اصلی مطالعه سال گذشته، گفت: “این راهی برای آینده کنترل ربات، پردازش زبان طبیعی، پردازش ویدئو – هر شکلی از پردازش داده های سری زمانی است.”
تیم تحقیقاتی متوجه شد که مدل‌ها پرهزینه هستند زیرا تعداد نورون‌ها و خلاصه‌ها به برنامه‌های کامپیوتری گران‌قیمت و حجیم برای حل ریاضیات اصلی مورد نیاز برای الگوریتم‌ها نیاز دارد. حل مسائل ریاضی به دلیل اندازه معادلات به طور فزاینده ای دشوارتر می شد و اغلب برای رسیدن به یک راه حل و دریافت پاسخ به مراحل محاسباتی زیادی نیاز بود.
ایجاد الگوریتم هوش مصنوعی سریعتر
محققانی که برای اولین بار یک سال پیش «نرون‌های مایع» را ایجاد کردند، با حل معادلات دیفرانسیل پشت تعامل دو نورون از طریق سیناپس‌ها، راهی برای کاهش پیچیدگی‌های گلوگاه کشف کردند. معادلات دیفرانسیل امکان محاسبه وضعیت جهان یا یک پدیده را در زمان فراهم می کند، زیرا گام به گام تکامل می یابد، نه فقط از ابتدا تا انتها.
این به آنها اجازه داد تا نوع جدیدی از الگوریتم هوش مصنوعی سریعتر را باز کنند. حالت‌ها ویژگی‌های مشابه شبکه‌های عصبی مایع را دارند، زیرا انعطاف‌پذیر، اساسی و قابل توضیح هستند، اما عامل نوآورانه این است که آنها بسیار سریعتر و مقیاس‌پذیر هستند. شبکه عصبی مایع شکل جدیدی از شبکه عصبی است که می‌تواند رفتار خود را پس از «یادگیری» اطلاعات از داده‌های ورودی تطبیق دهد.
این شبکه جدید از همتایان خود بهتر عمل کرد
شبکه جدید شبکه عصبی ، زمان پیوسته شکل بسته (CfC) نامگذاری شده است. قبلاً از نظر پیش‌بینی‌ها و تکمیل کار از شبکه‌های عصبی مصنوعی دیگر بهتر عمل کرده است و سرعت و عملکرد بالاتری در تشخیص فعالیت‌های انسانی از حسگرهای حرکتی، مدل‌سازی دینامیک فیزیکی یک ربات واکر شبیه‌سازی‌شده و پردازش تصویر متوالی مبتنی بر رویداد دارد. در مورد پیش‌بینی‌های پزشکی، نمونه‌های اولیه جدید در نمونه‌گیری از 8000 بیمار 220 برابر سریعتر از نمونه‌های مشابه خود بودند.
