Ang sistema ng pag-aaral ng “likido” na machine ay umaangkop sa pagbabago ng mga kondisyon

Ang isang bagong uri ng neural network ay maaaring makatulong sa paggawa ng desisyon sa autonomous na pagmamaneho at mga diagnostic na medikal.

З Ang mga mananaliksik ay nakabuo ng isang uri ng neural network na natututo sa trabaho, hindi lamang sa yugto ng pag-aaral. Ang mga kakayahang umangkop na algorithm na ito, na tinatawag na “likido” na mga network, ay binabago ang kanilang pangunahing mga equation upang patuloy na umangkop sa mga bagong input ng data. Makakatulong ang mga advance na gumawa ng mga desisyon batay sa mga stream ng data na nagbabago sa paglipas ng panahon, kasama ang mga kasangkot sa mga diagnostic na medikal at pamamahala ng autonomous.

“Ito ang paraan sa hinaharap para sa kontrol ng robot, natural na pagproseso ng wika, pagproseso ng video – anumang uri ng pagpoproseso ng data ng serye ng oras,” sabi ni Ramin Hassani, nangungunang may-akda ng pag-aaral. “Ang potensyal ay talagang makabuluhan.”

Ipapakita ang pag-aaral sa kumperensya noong Pebrero AAAI tungkol sa artipisyal na intelihensiya. Bilang karagdagan kay Hassani, Ph.D. sa MIT Computer Science and Artimental Intelligence Laboratory (CSAIL), ang MIT ay kapwa akda ni Daniela Russ, Direktor ng CSAIL at Propesor Andrew at Erna Viterbi, Propesor ng Electrical Engineering at Computer Science, at nagtapos mag-aaral na si Alexander Amini. Ang iba pang mga kapwa may-akda ay kasama sina Matthias Lechner ng Austrian Institute of Science and Technology at Radu Gross ng Vienna University of Technology.

Ayon kay Hassani, ang data ng serye ng oras ay nasa lahat ng dako at mahalaga sa ating pag-unawa sa mundo. “Ang totoong mundo ay tungkol sa pagkakapare-pareho. Kahit na ang aming pang-unawa – hindi mo nakikita ang mga imahe, nakikita mo ang mga pagkakasunud-sunod ng mga imahe, “- sabi niya. “Kaya’t ang data ng serye ng oras ay talagang lumilikha ng aming katotohanan.”

Itinuturo nito ang pagpoproseso ng video, data sa pananalapi, at mga aplikasyon ng medikal na diagnostic bilang mga halimbawa ng serye ng oras na sumakop sa isang sentral na lugar sa lipunan. Ang mga pagkabiktima ng patuloy na pagbabago ng mga stream ng data na ito ay maaaring hindi mahulaan. Gayunpaman, ang pag-aaral ng data na ito sa real time at paggamit nito upang mahulaan ang pag-uugali sa hinaharap ay maaaring pasiglahin ang pagbuo ng mga bagong teknolohiya tulad ng mga stand-alone na kotse. Kaya, lumikha si Hassani ng isang algorithm na naaayon sa problemang ito.

Bumuo si Hassani ng isang neural network na maaaring umangkop sa pagkakaiba-iba ng mga totoong system. Ang mga neural network ay mga algorithm na kumikilala sa mga pattern sa pamamagitan ng pagsusuri ng isang hanay ng mga halimbawa ng “pag-aaral”. Kadalasang sinasabi na ginagaya nila ang mga pathway sa pagpoproseso ng utak – Direktang kumukuha ng inspirasyon si Hassani mula sa isang mikroskopiko na nematode, C. mga elegante. “Mayroon lamang 302 neurons sa kanyang sistema ng nerbiyos,” sabi niya, “ngunit maaari itong makabuo ng hindi inaasahang kumplikadong dinamika.”

Na-code ni Hassani ang kanyang neural network na may maingat na pansin kung paano C. mga elegante ang mga neuron ay pinapagana at nakikipag-ugnay sa bawat isa sa pamamagitan ng mga impulses ng kuryente. Sa mga equation na ginamit niya upang istraktura ang kanyang neural network, pinayagan niyang magbago ang mga parameter sa paglipas ng panahon batay sa mga resulta ng isang pugad na hanay ng mga pagkakatulad na equation.

Ang kakayahang umangkop ay susi. Ang pag-uugali ng karamihan sa mga neural network ay naitala pagkatapos ng yugto ng pag-aaral, na nangangahulugang hindi umaangkop ang mga ito sa mga pagbabago sa stream ng input data. Sinabi ni Hassani na ang likido ng kanyang “likido” na network ay ginagawang mas lumalaban sa hindi inaasahang o maingay na data, tulad ng kapag tinatabunan ng malakas na ulan ang view ng camera sa isang self-driven na kotse. “Kaya’t mas maaasahan,” sabi niya.

May isa pang pakinabang sa kakayahang umangkop sa network, idinagdag niya: “Mas naiintindihan ito.”

Sinabi ni Hassani na ang kanyang likidong network ay pumasa sa kadiliman na karaniwan sa iba pang mga neural network. “Sa pamamagitan lamang ng pagbabago ng pang-unawa ng neuron,” na ginawa ni Hassani sa mga kaugalian na pagkakatulad, “talagang matututunan mo ang ilang mga antas ng pagiging kumplikado na maaaring hindi mo ma-explore.” Salamat sa maliit na bilang ng mga lubos na nagpapahayag na mga Hashani neuron, mas madaling tingnan ang “itim na kahon” ng paggawa ng desisyon sa network at masuri kung bakit ang network ay gumawa ng isang tiyak na katangian.

“Ang modelo mismo ay mas mayaman sa mga tuntunin ng kalinawan,” sabi ni Hassani. Makatutulong ito sa mga inhinyero na maunawaan at mapagbuti ang pagganap ng likido network.

Ang network ng Hassani ay minarkahan ng isang malaking bilang ng mga pagsubok. Bumuo siya ng iba pang mga modernong algorithm ng serye ng oras sa pamamagitan ng ilang mga puntos na porsyento upang tumpak na mahulaan ang mga halagang hinaharap sa mga hanay ng data, mula sa kimika sa atmospera hanggang sa mga pattern ng paggalaw. “Sa maraming mga application, nakikita namin na ang pagganap ay maaasahang mataas,” sabi niya. Bilang karagdagan, ang maliit na sukat ng network ay nangangahulugan na ito ay nasubok nang walang mataas na gastos sa computational. “Lahat ay nagsasalita tungkol sa pagpapalawak ng network,” sabi ni Hassani. “Gusto naming sukatin upang magkaroon ng mas kaunti ngunit mas mayayamang mga node.”

Plano ni Hassani na magpatuloy na pagbutihin ang system at ihanda ito para sa pang-industriya na paggamit. “Mayroon kaming isang mas malinaw na neural network na inspirasyon ng kalikasan. Ngunit ito ay simula pa lamang ng proseso, “aniya. “Ang halatang tanong ay paano mo ito pinalawak? Naniniwala kami na ang nasabing network ay maaaring maging isang pangunahing elemento ng mga sistema ng katalinuhan sa hinaharap. “

Sanggunian: “Mga Liquid Networks, Patuloy sa Oras” nina Ramin Hasani, Matthias Lechner, Alexander Amini, Daniela Rus at Radu Gross, Disyembre 14, 2020, Computer Science> Learning ng Machine.
arXiv: 2006.04439v4

Ang pag-aaral na ito ay bahagyang pinondohan ng Boeing, ang National Science Foundation, ang Austrian Science Foundation, pati na rin ang mga elektronikong sangkap at European system ng pamumuno.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Ang pag-iimbak ng nababagong enerhiya sa mga bato sa halip na mga baterya ng lithium

Kapag may labis na kuryente mula sa hangin o solar na enerhiya, sisingilin ang supply ng enerhiya. Ginagawa ito gamit ang isang sistema...

Ang Flat Pasta ay Pinagbuti Na Ang Morphs Sa Hugis Kapag Luto

Pinangunahan ng CMU Lab ang pagbuo ng pasta na humuhubog kapag luto na. Kredito: Carnegie Mellon University Ang mga flat-pack noodle ay lumilikha ng...

Mga debate sa mga Dalubhasa: Na-diagnose ba ang PTSD?

Ang ilang mga klinika ay nag-aalala na post-traumatic stress disorder (PTSD) ang diyagnosis ay nadagdagan sa buong lipunan ng Kanluran mula pa noong huling...

Ang ilaw ng Zap ay nagpapalit ng mga kulay at pattern ng mga bagay

Ang bagong sistema ay gumagamit ng ilaw na UV na inaasahang sa mga bagay na natatakpan ng isang tinain na pinapagana ng ilaw upang...

Oo, Maaari kang Magkaroon ng Higit sa 150 Mga Kaibigan

Ang mga indibidwal ay maaaring mapanatili ang matatag na mga pakikipag-ugnay sa lipunan na may halos 150 katao. Ito ay isang mungkahi na...

Newsletter

Subscribe to stay updated.