Новое исследование показало, что искусственный интеллект, способный заглянуть внутрь себя и точно настроить свою собственную нейронную сеть, работает лучше, когда он выбирает разнообразие, а не отсутствие разнообразия. Получившиеся в результате разнообразные нейронные сети оказались особенно эффективны при решении сложных задач.
«Мы создали тестовую систему с нечеловеческим интеллектом, искусственным интеллектом (ИИ), чтобы увидеть, выберет ли ИИ разнообразие вместо отсутствия разнообразия, и улучшит ли его выбор производительность ИИ», — говорит Уильям Дитто. профессор физики Университета штата Северная Каролина, директор Лаборатории нелинейного искусственного интеллекта штата Северная Каролина (NAIL) и соавтор работы. «Главное заключалось в том, чтобы дать ИИ возможность заглянуть внутрь себя и научиться тому, как он учится».
Нейронные сети — это продвинутый тип искусственного интеллекта, во многом основанный на том, как работает наш мозг. Наши естественные нейроны обмениваются электрическими импульсами в зависимости от силы их связей. Искусственные нейронные сети создают столь же прочные связи , корректируя числовые веса и смещения во время сеансов обучения.
Например, нейронную сеть можно научить распознавать фотографии собак, просматривая большое количество фотографий, делая предположения о том, принадлежит ли фотография собаке, наблюдая, насколько далеко она находится, а затем корректируя ее веса и смещения, пока они не будут найдены. они ближе к реальности.
Обычный ИИ использует нейронные сети для решения проблем, но эти сети обычно состоят из большого количества идентичных искусственных нейронов. Количество и сила связей между этими идентичными нейронами могут меняться по мере обучения, но как только сеть будет оптимизирована, эти статические нейроны станут сетью.
Команда Дитто, с другой стороны, дала своему ИИ возможность выбирать количество, форму и силу связей между нейронами в своей нейронной сети, создавая подсети разных типов нейронов и силы связей внутри сети по мере обучения.
«В нашем реальном мозге есть более одного типа нейронов», — говорит Дитто. «Поэтому мы дали нашему ИИ возможность заглянуть внутрь себя и решить, нужно ли ему изменить состав своей нейронной сети. По сути, мы дали ему ручку управления собственным мозгом. Чтобы он мог решить проблему, посмотреть на результат, и менять тип и состав искусственных нейронов, пока не будет найден наиболее выгодный.Это метаобучение для ИИ.
«Наш ИИ также может выбирать между разнообразными и однородными нейронами», — говорит Дитто. «И мы обнаружили, что в каждом случае ИИ выбирал разнообразие как способ повысить свою производительность».
Команда проверила точность ИИ, попросив его выполнить стандартное упражнение по числовой классификации, и увидела, что его точность увеличивается по мере увеличения количества нейронов и их разнообразия. Стандартный однородный ИИ мог идентифицировать числа с точностью 57%, в то время как разнообразный ИИ, обладающий метаобучением, мог достигать точности 70%.
По словам Дитто, ИИ, основанный на разнообразии, в 10 раз точнее обычного ИИ при решении более сложных задач, таких как прогнозирование качания маятника или движения галактик.
«Мы показали, что если вы дадите ИИ возможность заглянуть внутрь себя и узнать, как он учится, он изменит свою внутреннюю структуру — структуру своих искусственных нейронов — чтобы охватить разнообразие и улучшить свою способность учиться и решать проблемы эффективно и точнее», — говорит Дитто. «Действительно, мы также заметили, что по мере того, как проблемы становятся более сложными и хаотичными, производительность повышается еще более резко по сравнению с ИИ, который не учитывает разнообразие».
Работа опубликована в журнале Scientific Reports.
