علوم اعصاب از مدت ها قبل از اینکه ChatGPT اولین هجای دیجیتال خود را به زبان بیاورد، داده های ارزشمند هوش مصنوعی را تغذیه می کرد؛ اکنون به نظر می رسد به زودی، هوش مصنوعی ممکن است این لطف را جبران کند.
علوم اعصاب، پایه ی هوش مصنوعی بوده است ولی ممکن است به زودی هوش مصنوعی، پایه ای برای تفکر و علوم اعصاب شود!!
هوش مصنوعیِ الهام گرفته از مغز، مانند انسان ها یاد می گیرد و شاید روش تفکر جدیدی را به انسان، یاد دهد!
20 ژوئن 2024
خلاصه:هوش مصنوعی امروزی می تواند داده ها را بخواند، صحبت کند و تجزیه و تحلیل کند، اما همچنان محدودیت های حیاتی دارد.
محققان NeuroAI یک مدل هوش مصنوعی جدید با الهام از کارایی مغز انسان، طراحی کردند.
این مدل به نورون‌های هوش مصنوعی اجازه میدهد، بازخورد دریافت کنند و در زمان واقعی، تنظیم شوند و فرآیندهای یادگیری و حافظه را افزایش دهند. این نوآوری میتواند منجر به نسل جدید و کارآمدتر و در دسترس تر از هوش مصنوعی شود و هوش مصنوعی و علوم اعصاب را به هم نزدیک‌تر کند.
حقایق کلیدی:
با الهام از مغز: مدل جدید هوش مصنوعی، مبتنی بر نحوه ی پردازش و تنظیم موثر داده ها توسط مغز انسان است.
تنظیم بلادرنگ و آنی: نورون‌های هوش مصنوعی میتوانند بازخورد دریافت کنند و در لحظه، تنظیم شوند و کارایی را بهبود بخشند.
تأثیر بالقوه: این پیشرفت میتواند پیشگام نسل جدیدی از هوش مصنوعی باشد که مانند انسانها یاد می‌گیرد و زمینه‌های هوش مصنوعی و علوم اعصاب را تقویت میکند.
هوش مصنوعی، می خواند، صحبت می کند، کوه هایی از داده را جمع آوری می کند و برای کارهای تجاری تصمیم می‌گیرد. هوش مصنوعی امروز، ممکن است بیش از هر زمان دیگری انسانی به نظر برسد. با این حال، هوش مصنوعی هنوز کاستی های مهمی دارد.
همانطور که ChatGPT و همه ی فناوری‌های هوش مصنوعی کنونی چشمگیر هستند، از نظر تعامل با دنیای فیزیکی، هنوز بسیار محدود هستند.
حتی در کارهایی که انجام می‌دهند، مانند حل مسائل ریاضی و نوشتن مقاله- قبل از اینکه بتوانند کارهای خود را به خوبی انجام دهند- میلیاردها و میلیاردها مثال آموزشی می‌گیرند
دارووالا به دنبال راه‌های جدید و غیر متعارف برای طراحی هوش مصنوعی است که بتواند بر چنین موانع محاسباتی غلبه کند و شاید همین الان یکی را پیدا کرده باشد.
مدل جدید یادگیری ماشین، شواهدی برای یک نظریه ی هنوز اثبات نشده، ارائه می دهد و حافظه ی کاری working memory را با یادگیری و عملکرد تحصیلی مرتبط می کند.
کلید، انتقال داده ها بود. امروزه، بیشتر انرژی مصرفی محاسبات مدرن، ناشی از پرتاب داده ها در حاشیه است. در شبکه‌های عصبی مصنوعی- که از میلیاردها اتصال تشکیل شده‌اند- داده‌ها میتوانند راهی بسیار طولانی را طی کنند.
بنابراین، برای یافتن راه‌حل، دارولا به دنبال الهام گرفتن از یکی از قدرتمندترین ماشین‌های محاسباتی و کارآمدترین ماشین‌های موجود، یعنی مغز انسان بود.
داروالا روش جدیدی را برای الگوریتم‌های هوش مصنوعی طراحی کرد تا داده‌ها را بسیار کارآمدتر، جابجا و پردازش کند؛ بر این اساس که مغز ما چگونه اطلاعات جدید را دریافت میکند.
این طراحی به تک تک «نورون‌های» هوش مصنوعی اجازه میدهد، بازخورد دریافت کنند و روی پرواز، تنظیم شوند، نه اینکه منتظر بمانند تا یک مدار کامل به‌طور همزمان به‌روزرسانی شود.
به این ترتیب، داده ها نیازی به سفر طولانی ندارند و در زمان واقعی real time، پردازش می شوند.
دارولا می گوید: «در مغز ما، ارتباطات، همیشه در حال تغییر و تنظیم است. اینطور نیست که همه چیز را متوقف کنی، خودت را تنظیم کنی و بعد وجود خودت را از سر بگیری.
مدل جدید یادگیری ماشین، شواهدی برای یک نظریه ی هنوز اثبات نشده، ارائه می دهد که حافظه ی کاری working memory را با یادگیری و عملکرد تحصیلی learning and academic performance مرتبط می کند.
حافظه ی کاری، سیستم شناختی است که ما را قادر می کند در حین یادآوری دانش و تجربیات ذخیره شده، در انجام وظیفه بمانیم.(در مغز انسان، یادآوری و تمرکز و توقف های ناشی از آن، مانع از انجام کار نمیشود. این رفتار، نوعی رفتار رفلکسی است که نیاز به تفکر و یادآوری فعال ندارد و خودبخود انجام می‌شود. انجام چنین کار خودبخودی، صرفه جویی خوبی در مصرف انرژی است. بخش بزرگ انرژی مصرفی مغز، ناشی از تفکر فعال است. تکامل چند میلیون ساله ی مغز، به این ابزار پیشرفته، آموخته است برای صرفه جویی در انرژی، بخشی از کارها را به شکل رفلکسی و ناخودآگاه انجام دهد. اکنون تلاش دانشمندان هوش مصنوعی، ابداع این رفلکس های کوتاه به جای فرایندهای طولانی تفکری است.)
دکتر سید سلمان فاطمی . نورولوژیست, [06/22/2024 10:28 ق.ظ]
تئوری هایی در علوم اعصاب وجود دارد که چگونه مدارهای حافظه فعال می توانند به تسهیل یادگیری کمک کنند. اما چیزی به اندازه ی قاعده ی جدید ما مشخص نیست این دو را با هم پیوند دهد و این یکی از چیزهای خوبی بود که ما در اینجا با آن برخورد کردیم.
این تئوری به قانونی منتهی شد که در آن، تنظیم هر سیناپس به صورت جداگانه، مستلزم نشستن این حافظه ی کاری در کنار آن بود.
طراحی Daruwalla ممکن است به پیشروی نسل جدیدی از هوش مصنوعی کمک کند که مانند ما یاد می‌گیرد. این نه تنها هوش مصنوعی را کارآمدتر و در دسترس‌تر میکند، بلکه تا حدودی یک لحظه ی خاطره انگیز برای neuroAI خواهد بود.
علوم اعصاب از مدت ها قبل از اینکه ChatGPT اولین هجای دیجیتال خود را به زبان بیاورد، داده های ارزشمند هوش مصنوعی را تغذیه می کرد؛ اکنون به نظر می رسد به زودی، هوش مصنوعی ممکن است این لطف را جبران کند.
خلاصه
قانون یادگیری Hebbian مبتنی بر گلوگاه اطلاعات،Information bottleneck-based Hebbian learning rule، به طور طبیعی حافظه ی کاری و به روز رسانی سیناپسی را به هم مرتبط می کند
شبکه‌های عمیق پیشخور feedforward عصبی، مدل‌های مؤثری برای طیف گسترده‌ای از چالش ها هستند، اما آموزش و استقرار چنین شبکه‌هایی هزینه انرژی قابل توجهی را به همراه دارد. شبکه‌های عصبی Spiking neural networks (SNN) که بر اساس نورون‌های واقعی بیولوژیکی مدل‌سازی می‌شوند- زمانی که به درستی بر روی سخت‌افزار محاسباتی نورومورفیک مستقر شوند- راه‌حلی بالقوه ارائه می‌دهند.
با این حال، بسیاری از برنامه ها، SNN ها رابه صورت آفلاینآموزش می دهند و اجرای آموزش شبکه به طور مستقیم بر روی سخت افزار نورومورفیک، یک چالش تحقیقاتی مداوم است.
مانع اصلی، این است که انتشار به عقبback-propagation- که آموزش چنین شبکه های عمیق مصنوعی را ممکن می کند- از نظر بیولوژیکی، نامحتمل است.
دانشمندان علوم اعصاب در مورد اینکه چگونه مغز، یک سیگنال خطای دقیق را از طریق شبکه ای از نورون ها منتشر می کند، مطمئن نیستند. پیشرفت اخیر به بخشی از این سوال می پردازد- به عنوان مثال، در مورد مشکل حمل وزن- اما یک راه حل کامل، نامشهود باقی می ماند.
در مقابل، قوانین یادگیری جدید مبتنی بر گلوگاه اطلاعاتی (IB) information bottleneck، هر لایه از یک شبکه را به طور مستقل آموزش میدهد و نیاز به انتشار خطاها در لایه‌ها را دور می‌زند. در عوض، انتشار به دلیل اتصال پیشخور لایه ها layers’ feedforward connectivity، به صورت ضمنی است.
این قوانین، به شکل یک به روز رسانی هبیان سه عاملی است، یک سیگنال خطای جهانی، به روز رسانی های سیناپسی محلی را در هر لایه تعدیل می کند.
متأسفانه، سیگنال جهانی برای یک لایه ی معین، نیاز به پردازش چند نمونه به طور همزمان دارد و مغز، تنها یک نمونه را در یک زمان می بیند.
ما یک قانون به‌روزرسانی سه عاملی جدید three-factor update rule را پیشنهاد میکنیم که در آن، سیگنال سراسری، به درستی اطلاعات را در سراسر نمونه‌ها از طریق یک شبکه ی حافظه کمکی دریافت میکند. شبکه ی کمکی را می توانبه طور پیشینیاستقرایی،مستقل از مجموعه ی داده ی مورد استفاده در شبکه ی اولیه، آموزش داد.
ما عملکرد قابل مقایسه را با خطوط پایه در وظایف طبقه بندی تصویر نشان می دهیم. جالب توجه است، برخلاف طرح‌های مشابه پس انتشار back-propagation-like schemes که در آن هیچ ارتباطی بین یادگیری و حافظه وجود ندارد، قانون ما ارتباط مستقیمی بین حافظه ی کاری و به‌روزرسانی‌های سیناپسی ارائه میدهد.
تا جایی که ما می دانیم، این اولین قانونی است که این پیوند را صریح می کند.
ما این مفاهیم را در آزمایش‌های اولیه ی بررسی تأثیر ظرفیت حافظه بر عملکرد یادگیری، بررسی میکنیم.
با حرکت رو به جلو، این کار یک دیدگاه جایگزین از یادگیری را پیشنهاد میکند که در آن، هر لایه، فشرده‌سازی اطلاعاتی از حافظه را در مقابل عملکرد کارtask performance، متعادل میکند.
https://neurosciencenews.com/neuroai-learning-anns-26349/
آدرس مطب : اصفهان ، خیابان آمادگاه ، روبروی داروخانه سپاهان ، مجتمع اطبا ، طبقه اول
تلفن : 32223328 - 031
