Sự khác biệt của tế bào não có thể là chìa khóa để học hỏi ở người và AI: Các nhà nghiên cứu hoàng gia đã phát hiện ra rằng sự biến đổi giữa các tế bào não có thể tăng tốc độ học tập và cải thiện hiệu suất của não và trí tuệ nhân tạo (AI) trong tương lai.
Nghiên cứu mới cho thấy bằng cách điều chỉnh các đặc tính điện của các tế bào riêng lẻ trong mô phỏng mạng não, các mạng này học nhanh hơn so với mô phỏng với các tế bào giống hệt nhau.
Họ cũng phát hiện ra rằng các mạng cần ít ô được tinh chỉnh hơn để có được kết quả tương tự và phương pháp này tốn ít năng lượng hơn so với các mô hình có các ô giống hệt nhau.
Các tác giả nói rằng phát hiện của họ có thể dạy chúng ta về lý do tại sao bộ não của chúng ta học tốt đến vậy, và cũng có thể giúp chúng ta xây dựng các hệ thống thông minh nhân tạo tốt hơn, chẳng hạn như trợ lý kỹ thuật số có thể nhận dạng giọng nói và khuôn mặt, hoặc công nghệ xe hơi tự lái.
Tác giả đầu tiên Nicolas Perez, một nghiên cứu sinh tại Khoa Kỹ thuật Điện và Điện tử của Đại học Imperial College London, cho biết: “Bộ não cần phải tiết kiệm năng lượng trong khi vẫn có thể giải quyết các nhiệm vụ phức tạp một cách xuất sắc. Công việc của chúng tôi cho thấy rằng có sự đa dạng của các tế bào thần kinh trong cả bộ não và hệ thống AI đều đáp ứng cả hai yêu cầu này và có thể thúc đẩy việc học tập. “
Nghiên cứu được công bố trên tạp chí Nature Communications.
Tại sao một tế bào thần kinh giống như một bông tuyết?
Bộ não được tạo thành từ hàng tỷ tế bào được gọi là tế bào thần kinh, được kết nối với nhau bằng ‘mạng lưới thần kinh’ rộng lớn cho phép chúng ta tìm hiểu về thế giới. Tế bào thần kinh giống như những bông tuyết: nhìn từ xa chúng giống nhau nhưng khi kiểm tra kỹ hơn thì rõ ràng không có hai tế bào nào hoàn toàn giống nhau.
Ngược lại, mỗi tế bào trong mạng nơ-ron nhân tạo – công nghệ dựa trên AI – giống hệt nhau, chỉ khác nhau về khả năng kết nối của chúng. Bất chấp tốc độ phát triển của công nghệ AI, mạng lưới thần kinh của chúng không học chính xác hoặc nhanh chóng như não người – và các nhà nghiên cứu tự hỏi liệu sự thiếu biến đổi tế bào của chúng có thể là thủ phạm hay không.
Họ bắt đầu nghiên cứu xem liệu mô phỏng não bộ bằng các đặc tính tế bào mạng thần kinh khác nhau có thể thúc đẩy việc học trong AI hay không. Họ phát hiện ra rằng sự biến đổi trong các tế bào đã cải thiện khả năng học tập và giảm tiêu thụ năng lượng.
Tác giả chính, Tiến sĩ Dan Goodman, thuộc Khoa Kỹ thuật Điện và Điện tử của Imperial, cho biết: “Sự tiến hóa đã mang lại cho chúng ta những chức năng đáng kinh ngạc của não – hầu hết chúng chỉ mới bắt đầu hiểu. Nghiên cứu của chúng tôi cho thấy rằng chúng ta có thể học được những bài học quan trọng từ chính mình sinh học để làm cho AI hoạt động tốt hơn cho chúng ta. “
Điều chỉnh thời gian
Để thực hiện nghiên cứu, các nhà nghiên cứu đã tập trung vào việc điều chỉnh “hằng số thời gian” – tức là mỗi tế bào quyết định những gì nó muốn làm dựa trên những gì các tế bào kết nối với nó đang làm. Một số ô sẽ quyết định rất nhanh, chỉ nhìn vào những gì các ô được kết nối vừa thực hiện. Các tế bào khác sẽ phản ứng chậm hơn, dựa trên quyết định của chúng dựa trên những gì các tế bào khác đã làm trong một thời gian.
Sau khi thay đổi hằng số thời gian của các ô, họ giao nhiệm vụ cho mạng thực hiện một số nhiệm vụ máy học điểm chuẩn: để phân loại hình ảnh của quần áo và các chữ số viết tay; để nhận biết cử chỉ của con người; và để xác định các chữ số và lệnh được nói.
Kết quả cho thấy rằng bằng cách cho phép mạng kết hợp thông tin chậm và nhanh, nó có thể giải quyết tốt hơn các tác vụ trong các cài đặt thực tế phức tạp hơn.
Khi họ thay đổi lượng biến đổi trong các mạng mô phỏng, họ nhận thấy rằng những mạng hoạt động phù hợp nhất với lượng biến đổi được nhìn thấy trong não, cho thấy rằng não có thể đã tiến hóa để có lượng biến đổi phù hợp để học tập tối ưu.
Nicolas nói thêm: “Chúng tôi đã chứng minh rằng AI có thể được đưa đến gần hơn với cách bộ não của chúng ta hoạt động bằng cách mô phỏng các đặc tính nhất định của não. Tuy nhiên, các hệ thống AI hiện tại còn lâu mới đạt được mức hiệu quả năng lượng mà chúng ta tìm thấy trong các hệ thống sinh học.
“Tiếp theo, chúng ta sẽ xem xét cách giảm tiêu thụ năng lượng của các mạng này để đưa các mạng AI tiến gần hơn đến hoạt động hiệu quả như não bộ.”
Nghiên cứu này được tài trợ bởi Hội đồng Nghiên cứu Khoa học Vật lý và Kỹ thuật và Học bổng Tiến sĩ của Chủ tịch Đại học Imperial
Nguồn:
Tài liệu do Imperial College London cung cấp . Bản gốc do Caroline Brogan viết. Lưu ý: Nội dung có thể được chỉnh sửa về kiểu dáng và độ dài.
Tham khảo Tạp chí :
- Nicolas Perez-Nieves, Vincent CH Leung, Pier Luigi Dragotti, Dan FM Goodman. Sự không đồng nhất về thần kinh thúc đẩy khả năng học tập mạnh mẽ . Truyền thông Thiên nhiên , 2021; 12 (1) DOI: 10.1038 / s41467-021-26022-3