Algoritmalar yaratıcı olduğunda

Sinirsel ağları hızlandıran sinaptik plastisite kurallarının yapay evrimi. (A) Piramidal hücrelerden (turuncu) ve inhibitör internöronlardan (mavi) oluşan kortikal mikro devrelerin taslağı. Stimülasyon, sinaptik plastisiteyi etkileyen, sinaptik öncesi ve sonrası hücrelerde aksiyon potansiyellerini ortaya çıkarır. (B) Sinaptik plastisite ağırlık değişimine yol açar (Δw) iki hücre arasında, burada sinaptik sonrası potansiyellerin genliğindeki değişiklikle ölçülür. Sinaptik ağırlıktaki değişiklik bir fonksiyonla ifade edilebilir. F ani zamanlamalara ek olarak (Tön,Tİleti), nöromodülatörlerin konsantrasyonu (ρ, A’daki yeşil noktalar) veya postsinaptik membran potansiyelleri gibi ek yerel miktarları hesaba katabilir. (C) Belirli bir deney düzeneği için, evrimsel bir algoritma, karşılık gelen uygunluk fonksiyonunu ℱ maksimize eden ff fonksiyonlarını temsil eden bireyleri arar. Bir ebeveyn bireyin genomunu değiştirerek bir yavru üretilir. Evrimsel algoritmanın birkaç çalışması fenomenolojik olarak farklı çözümler keşfedebilir (F0,F1,F2) karşılaştırılabilir uygunluk ile. (D) Mutasyon yoluyla tek bir ebeveynden bir yavru üretilir. Genom mutasyonları, örneğin matematiksel operatörleri değiş tokuş ederek farklı bir fonksiyona neden olabilir. F. Kredi: DOI: 10.7554/eLife.66273

Sinaptik plastisite yoluyla öğrenme mekanizmalarını ortaya çıkarmak, beynimizin nasıl çalıştığını anlamak ve gerçekten akıllı, uyarlanabilir makineler oluşturmak için kritik bir adımdır. Bern Üniversitesi’nden araştırmacılar, algoritmaların biyolojik evrimi taklit ettiği ve yaratıcı evrim yoluyla verimli bir şekilde öğrendiği yeni bir yaklaşım önermektedir.

Beynimiz inanılmaz derecede uyarlanabilir. Her gün yeni anılar oluşturur, yeni bilgiler edinir veya mevcut becerileri geliştiririz. Bu, tipik olarak yalnızca önceden programlanmış eylemleri gerçekleştiren mevcut bilgisayarlarımızla belirgin bir tezat oluşturuyor. Uyarlanabilirliğimizin temelinde sinaptik plastisite yatmaktadır. Sinapslar, nöronlar arasındaki bağlantı noktalarıdır ve kullanım şekline göre farklı şekillerde değişebilir. Bu sinaptik plastisite, öğrenme süreçleri ve hafıza için merkezi olduğu için sinirbilimde önemli bir araştırma konusudur. Bu beyin süreçlerini daha iyi anlamak ve uyarlanabilir makineler oluşturmak için, sinirbilim ve yapay zeka (AI) alanlarındaki araştırmacılar, bu süreçlerin altında yatan mekanizmalar için modeller oluşturuyor. Öğrenme ve plastisite için bu tür modeller biyolojik bilgi işlemeyi anlamaya yardımcı olur ve ayrıca makinelerin daha hızlı öğrenmesini sağlamalıdır.

Algoritmalar biyolojik evrimi taklit eder

Avrupa İnsan Beyni Projesi’nde çalışan Bern Üniversitesi Fizyoloji Enstitüsü’ndeki araştırmacılar, şimdi sözde evrimsel algoritmalara dayanan yeni bir yaklaşım geliştirdiler. Bu bilgisayar programları, doğal seleksiyon kavramı gibi biyolojik evrim sürecini taklit ederek sorunlara çözümler arar. Böylece, bir organizmanın çevreye uyum derecesini tanımlayan biyolojik uygunluk, evrimsel algoritmalar için bir model haline gelir. Bu tür algoritmalarda, bir aday çözümün “uygunluğu”, altta yatan sorunu ne kadar iyi çözdüğüdür.

İnanılmaz yaratıcılık

Yeni geliştirilen yaklaşım, “öğrenmek için gelişen” (E2L) yaklaşımı veya “uyarlanabilir hale gelme” olarak adlandırılır. Heidelberg Üniversitesi Bernand Kirchhoff Fizik Enstitüsü Fizyoloji Enstitüsü’nden Dr. Mihai Petrovici liderliğindeki araştırma ekibi, evrimsel algoritmaları üç tipik öğrenme senaryosuyla karşı karşıya getirdi. İlkinde, bilgisayar, performansı hakkında geri bildirim almadan sürekli bir girdi akışında yinelenen bir desen algılamak zorundaydı. İkinci senaryoda, bilgisayar belirli bir istenen şekilde davrandığında sanal ödüller aldı. Son olarak, “rehberli öğrenme”nin üçüncü senaryosunda, bilgisayara davranışının istenenden ne kadar saptığı tam olarak söylendi.

Bern Üniversitesi Fizyoloji Enstitüsü’nden sorumlu ve birinci yazar Dr. Jakob Jordan, “Bütün bu senaryolarda, evrimsel algoritmalar sinaptik plastisite mekanizmalarını keşfetmeyi başardılar ve böylece yeni bir görevi başarıyla çözdüler” diyor. Bunu yaparken algoritmalar inanılmaz bir yaratıcılık gösterdi: “Örneğin algoritma, tanımladığımız sinyallerin yeni bir sinyal oluşturmak için birleştirildiği yeni bir plastisite modeli buldu. Aslında, bu yeni sinyali kullanan ağların öncekinden daha hızlı öğrendiğini gözlemliyoruz. bilinen kurallar,” diye vurguluyor Tokyo’daki RIKEN Beyin Bilimi Merkezi’nden Dr. Maximilian Schmidt, çalışmanın ilk yazarlarından. Sonuçlar dergide yayınlandı e-hayat.

Mihai Petrovoci, “E2L’yi biyolojik öğrenme ilkelerine ilişkin derin kavrayışlar elde etmek ve güçlü yapay öğrenme makinelerine doğru ilerlemeyi hızlandırmak için umut verici bir yaklaşım olarak görüyoruz” diyor. Jakob Jordan, “Sinir sistemindeki sinaptik plastisite üzerine araştırmayı hızlandıracağını umuyoruz,” diye bitiriyor. Bulgular, sağlıklı ve hastalıklı beyinlerin nasıl çalıştığına dair yeni bilgiler sağlayacaktır. Ayrıca, kullanıcılarının ihtiyaçlarına daha iyi uyum sağlayabilen akıllı makinelerin geliştirilmesinin önünü açabilirler.


Mesoscale nöral plastisite, AI öğrenmesine yardımcı olur


Daha fazla bilgi:
Jakob Jordan ve diğerleri, Spiking ağları için gelişen yorumlanabilir plastisite, e-hayat (2021). DOI: 10.7554 / eLife.66273

Günlük bilgileri:
e-hayat

Bern Üniversitesi tarafından sağlanan

Alıntı: Algoritmalar, verimli bir şekilde öğrenmek için biyolojik evrim sürecini taklit eder (2021, 11 Kasım) 20 Kasım 2021’de https://techxplore.com/news/2021-11-algorithms-mimic-biological-evolution-activately.html adresinden alınmıştır.

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Algoritmalar #verimli #bir #şekilde #öğrenmek #için #biyolojik #evrim #sürecini #taklit #eder