Что, если лучший способ создать искусственный мозг — позволить ему эволюционировать? Эта идея лежит в основе нового исследования, в котором используются эволюционные алгоритмы для проектирования сетей резервуарного вычисления — типа рекуррентных нейронных сетей, вдохновленных структурой мозга. Результаты, опубликованные исследователями из Inria и Bordeaux INP, показывают, что эволюционировавшие сети могут превзойти случайно спроектированные в задачах обучения на временных рядах, и что более простые задачи приводят к более простым сетям, в то время как сложные задачи способствуют формированию более насыщенных и модульных структур.
Исследование
Резервуарное вычисление — это умный подход к обучению на временных рядах: фиксированный случайно связанный «резервуар» обрабатывает входные сигналы, и обучается только простой выходной слой. Однако традиционные эхо-сетевые сети (ESN) часто требуют тщательной настройки гиперпараметров и архитектуры для хорошей работы. Чтобы преодолеть это, команда под руководством Жюльена Тестю, Пьеррика Леграна и Ксавье Ино разработала фреймворк EARLY (Эволюционный алгоритм для резервуарного обучения и получения результатов). EARLY кодирует архитектуры сетей как графовые геномы и применяет генетические операции, такие как кроссовер и мутация, для эволюции лучших конструкций.
Исследователи протестировали EARLY на нескольких задачах обучения на временных рядах из набора данных CogScale. Они сравнили эволюционировавшие сети с теми, что были найдены случайным поиском. Эволюционировавшие сети победили в нескольких задачах, показав, что эволюционный поиск может обнаруживать эффективные конфигурации. Более того, эволюционировавшие архитектуры показали четкие структурные различия в зависимости от сложности задачи: более простые задачи давали легкие, менее связанные сети, в то время как более сложные задачи способствовали формированию более насыщенных и модульных организаций — аналогично тому, как специализируются области мозга.
Почему это важно
Это исследование не только об искусственном интеллекте; оно отражает принципы человеческого познания. Тот факт, что сложность задачи влияет на структурную сложность сетей, перекликается с тем, как наш мозг адаптируется. Для повседневного обучения решение разнообразных и сложных задач может способствовать формированию более гибкого и модульного когнитивного инструментария. Кроме того, идея использования эволюции для оптимизации нейронных сетей может привести к созданию лучших систем ИИ, а понимание этих систем может дать нам представление о наших собственных нейронных процессах.
Что вы можете сделать
Примите сложность. Подобно тому, как эволюционировавшие сети процветали на более трудных задачах, ваш мозг выигрывает от сложных занятий. Попробуйте выучить новый язык, освоить музыкальный инструмент или решать головоломки, расширяющие ваши возможности. Разнообразие — ключ: занимайтесь задачами, требующими разных навыков, чтобы побудить мозг создавать специализированные, но взаимосвязанные цепи.
Источник: arXiv q-bio.NC
Любопытно узнать свой мозг? Пройдите наш бесплатный адаптивный IQ-тест или попробуйте 306 уровней тренировки мозга.