A-neuronal-Circuit-Policy-for-parking-a-mobile-rov er

Исследователи из Венского технического университета совместно с Массачусетским технологическим институтом разработали новый подход к программированию нейронных сетей. Они создали систему машинного обучения, которой хватило всего 12 нейронов. При этом она способна автоматически парковать автомобиль.

Система базируется на моделировании нейронов круглого червя. А сама архитектура новой нейросети (так называемая RNN — рекуррентная нейронная сеть) работает как биологический мозг, пусть и очень простой. Её главная особенность — это умение изменять свою динамику во времени. Проще говоря, нейросеть «помнит», что было раньше. Учёные рассчитывают, что такой подход приведёт к созданию ИИ, который будет «думать» и действовать как живое существо.

Искусственный интеллект - парковка автомобиля с помощью 12 нейронов

Ученые-информатики из ту-Вена совершенствуют искусственный интеллект, черпая вдохновение из биологии. Новые подходы достигают удивительных результатов с удивительно небольшим усилием.

Естественно выращенный мозг работает совсем не так, как обычная компьютерная программа. Он не использует код, состоящий из четких логических инструкций, это сеть ячеек, которые общаются друг с другом. Моделирование таких сетей на компьютере может помочь решить проблемы, которые трудно разбить на логические операции.

В Tu Wien (Вена) в сотрудничестве с исследователями Массачусетского технологического института (MIT) был разработан новый подход к программированию таких нейронных сетей, который моделирует временную эволюцию нервных сигналов совершенно по-другому. Он был вдохновлен особенно простым и хорошо исследованным существом, roundworm C. elegans. Нейронные цепи из своей нервной системы моделировались на компьютере, а затем модель была адаптирована с помощью алгоритмов машинного обучения.Таким образом, можно было решить замечательные задачи с крайне низким количеством имитируемых нервных клеток – например, парковка автомобиля. Хотя червь-вдохновил сеть состоит только из 12 нейронов, его можно научить рулить Ровер робот в данном месте. 20 октября на конференции TEDx в Вене рамин Хасани из Института компьютерной инженерии ту Вена представил свою работу.

Можно показать, что эти новые нейронные сети чрезвычайно универсальны. Другое преимущество заключается в том, что их внутреннюю динамику можно понять - в отличие от стандартных искусственных нейронных сетей, которые часто считаются полезным, но непостижимым "черным ящиком".

Сигналы в разветвленных сетях

"Нейронные сети должны быть обучены, - говорит Рамин Хасани. "Вы предоставляете определенный вход и регулируете связи между нейронами так, чтобы был получен желаемый выход.

На входе, например, может быть фотография, а на выходе может быть имя человека на картинке. "Время обычно не играет важной роли в этом процессе, - говорит Раду Гросу из Института компьютерной инженерии ту Вена. Для большинства нейронных сетей все входные данные доставляются сразу, что сразу же приводит к определенному выходу. Но в природе все обстоит совсем по-другому.

Распознавание речи, например, всегда зависит от времени, как и одновременные переводы или последовательности движений, реагирующих на изменяющуюся среду. "Такие задачи могут быть решены лучше, используя то, что мы называем RNN, или рекуррентные нейронные сети", - говорит Рамин Хасани. "Это архитектура, которая может захватывать последовательности, потому что она заставляет нейроны помнить, что произошло ранее.

Хасани и его коллеги предлагают новую RNN-архитектуру, основанную на биофизической модели нейрона и синапса, которая позволяет варьировать по времени. "В стандартной RNN-модели существует постоянная связь между нейроном один и нейроном два, определяющая, насколько сильно активность нейрона один влияет на активность нейрона два", - говорит Рамин Хасани. "В нашей новой RNN архитектуре эта связь является нелинейной функцией времени.

Червячный мозг, который может припарковать автомобиль

Позволять деятельности при клетки и соединениям между клетками поменять над временем раскрывает вверх по совершенно новым возможностям. Рамин Хасани, Матиас Лехнер и их коллеги теоретически показали, что их архитектура может, в принципе, приближать произвольную динамику. Чтобы продемонстрировать универсальность нового подхода, они разработали и обучили небольшую нейронную сеть: "мы переориентировали нейронную цепь из нервной системы нематоды C. elegans.Он отвечает за создание простого рефлексивного поведения-сенсорного вывода", - говорит Матиас Лехнер, который сейчас работает в Институте науки и технологий (IST) Австрии. "Эта нейронная сеть была смоделирована и обучена для управления реальными приложениями.

Успех замечателен: небольшая, простая сеть с 12 нейронами может (после соответствующей подготовки) решать сложные задачи. Например, он был обучен маневрировать транспортным средством в парковочное место вдоль заранее определенного пути. "Выход нейронной сети, которая в природе будет контролировать движение нематодных червей, используется в нашем случае для управления и ускорения транспортного средства", - говорит Хасани. "Мы теоретически и экспериментально показали, что наши новые нейронные сети могут решать сложные задачи в реальной жизни и в моделируемых физических средах.

Новый подход имеет еще одно важное преимущество: он обеспечивает лучшее понимание внутренней работы нейронной сети. Предыдущие нейронные сети, которые часто состояли из многих тысяч узлов, были настолько сложны, что только окончательные результаты могли быть проанализированы. Получить более глубокое понимание того, что происходит внутри, было едва ли возможно. Небольшие, но чрезвычайно мощные сети Венскую команду легче анализировать, и поэтому ученые могут хотя бы частично понять, какие нервные клетки вызывают какие эффекты. "Это большое преимущество, которое побуждает нас к дальнейшему исследованию их свойств", - говорит Хасани.

Конечно, это не означает, что в будущем автомобили будут припаркованы искусственными червями, но это показывает, что искусственный интеллект с более похожей на мозг архитектурой может быть гораздо более мощным, чем раньше.

Источник: tprg.ru

Комментарии: