Новый алгоритм машинного обучения позволит роботизированным системам обобщать данные и находить между ними взаимосвязи, что существенно уменьшит расход времени и вычислительных ресурсов на обработку информации.
Российские ученые создали биологически подобный алгоритм памяти для искусственного интеллекта. В перспективе он поможет роботизированным системам производить обобщения и эффективно обучаться в условиях сильных смысловых помех.
В научной работе приняли участие специалисты из Московского физико-технического института, Федерального исследовательского центра «Информатика и управление» РАН и Института AIRI. Научное исследование опубликовано в сборнике материалов 19-й Международной конференции по гибридным искусственным интеллектуальным системам (HAIS 2024), которая прошла в Саламанке (Испания) 9—11 октября 2024 года.
Как объяснили ученые, в настоящее время все большую популярность приобретают алгоритмы машинной памяти, вдохновленные природой. В частности, в них закладывают математические структуры, которые воспроизводят систему дендритов. В мозге живых существ дендриты — это отростки нервных клеток (нейронов). Они проводят импульсы от нервных окончаний к телу нейрона. При этом у одной клетки может быть от одного до тысяч дендритов, которые ветвятся и создают сложные переплетения.
«Аналогично в моделях ИИ, которыми мы занимается, формируются условные математические “дендриты”, цель которых — распознать тот или иной объект. По мере этого процесса “дендриты” растут. Так происходит обучение, то есть накопление новых знаний “мозгом” машины. Затем на основе прежних наблюдений ИИ учится предсказывать изменения, чтобы ориентироваться в динамических средах», — объяснил один из авторов статьи Петр Кудеров, ассистент Центра Когнитивного Моделирования МФТИ и младший научный сотрудник Института AIRI.
Однако, по словам ученых, в таком типе памяти существуют проблемы, которые связаны с точностью распознавания. Причина в том, что даже небольшие отклонения от первичного наблюдения вызывают необходимость «выращивать» новые «дендритные» сегменты. Это приводит к их взрывному росту, что особенно характерно для «шумных» сред, с которыми обычно приходится иметь дело в реальной жизни.
Чтобы уменьшить количество новых сегментов, научный коллектив предложил изменить алгоритм машинного обучения таким образом, чтобы вычислительная модель распознавала не полностью объект, а только определенные его части. Для этого в алгоритм включили «мягкий адаптер». Он разрешает уже сформированному сегменту распознать новый объект не по полному, а по частичному соответствию.
«Эксперименты показывают, что такой способ существенно уменьшает рост “дендритов”. При этом уже выращенные сегменты задействует гораздо шире. Причем оказалось, что это не приводит к заметному падению качества распознавания, но позволяет работать в условиях шума и сократить время и мощности, необходимые для обработки информации. Таким образом, ИИ учится обобщать данные по определенным признакам и находить между ними взаимосвязи. Эти действия, в принципе, уже можно отнести к примитивным мыслительным операциям», — рассказал Петр Кудеров.
Вместе с тем, отметили ученые, предложенный алгоритм обладает адаптивностью, которая выражается в способности регулировать уровень точности распознавания. Это дает машинному мозгу возможность, подобно радиоприемнику, тонко подстраиваться под заданный диапазон шума.
При этом типы данных, с которыми работает вычислительная модель, не важны. Это могут быть символы, слова, картинки, объекты реального мира или все вместе. В перспективе разработка позволит умной машине самостоятельно строить реалистичные картины мира.
1
