Mengurai Dinamika Otak Kita Mengungkapkan Model Pembelajaran Mesin yang Fleksibel

Memecahkan Dinamika Otak Kita Mengungkapkan Model Pembelajaran Mesin yang Fleksibel
Memecahkan Dinamika Otak Kita Mengungkapkan Model Pembelajaran Mesin yang Fleksibel

Jaringan saraf "cair" yang meniru otak makhluk kecil diluncurkan tahun lalu oleh para peneliti MIT. Untuk tugas-tugas penting yang praktis dan aman seperti mengemudi dan terbang, kita berbicara tentang kelas model pembelajaran mesin yang kuat dan adaptif yang dapat belajar di tempat kerja dan beradaptasi dengan perubahan kondisi. Kemampuan beradaptasi dari jaringan saraf "cair" ini memperkuat komunikasi dunia kita yang saling terhubung, yang berarti pengambilan keputusan yang lebih baik untuk berbagai tugas intensif data deret waktu seperti pemantauan jantung dan otak, prakiraan cuaca, dan harga saham.

Namun, karena jumlah neuron dan sinapsis dalam model ini meningkat, mereka menjadi mahal secara komputasi dan membutuhkan program komputer yang tidak praktis untuk menyelesaikan matematika kompleks pada intinya. Dan seperti halnya banyak fenomena fisik, menyelesaikan semua aritmatika ini semakin sulit dengan ukuran, yang membutuhkan perhitungan banyak langkah kecil untuk sampai pada solusi.

Tim ilmuwan yang sama menemukan cara untuk mengurangi kemacetan ini dengan memecahkan persamaan diferensial yang mendasari koneksi dua neuron melalui sinapsis untuk mengungkap kelas baru sistem AI yang cepat dan efisien. Meskipun mode ini jauh lebih cepat dan terukur daripada jaringan saraf cair, mereka berbagi fitur fleksibel, kausal, kuat, dan dapat dijelaskan yang sama.

Akibatnya, karena mereka kecil dan fleksibel bahkan setelah pelatihan – tidak seperti banyak model tradisional yang diperbaiki – jenis jaringan saraf ini dapat digunakan untuk tugas apa pun yang melibatkan perolehan wawasan tentang data dari waktu ke waktu.

Model jaringan saraf “Closed form continuous time” (CfC) mengungguli rekan mereka yang canggih dalam berbagai tugas termasuk pemrosesan gambar berurutan berbasis peristiwa, memodelkan dinamika fisik robot berjalan yang disimulasikan, dan pengenalan aktivitas manusia dari sensor gerak. Misalnya, model baru 8.000 kali lebih cepat pada sampel 220 pasien untuk tugas prediksi medis.

Menurut Profesor MIT Daniela Rus, direktur Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) dan penulis senior makalah baru ini, “Model pembelajaran mesin baru, yang kami sebut 'CfC', berfokus pada integrasi numerik, menggantikan persamaan diferensial yang menggambarkan perhitungan neuron dengan pendekatan bentuk tertutup mempertahankan sifat indah dari jaring cair tanpa perlu “Model CfC efisien, kausal, ringkas, dan dapat dijelaskan untuk dilatih dan diprediksi. Mereka membuka pintu ke pembelajaran mesin yang andal untuk aplikasi penting untuk keamanan.”

Kita dapat menghitung perubahan keadaan dunia atau fenomena dari waktu ke waktu menggunakan persamaan diferensial, tetapi kita hanya dapat melakukan langkah demi langkah dari waktu ke waktu. Tim mengobrak-abrik tas trik matematika mereka untuk menemukan solusi yang sempurna.

Solusi "bentuk tertutup" yang memodelkan keseluruhan deskripsi sistem dalam satu langkah komputasi untuk memodelkan fenomena alam dari waktu ke waktu dan memahami perilaku masa lalu dan masa kini, seperti mengenali aktivitas manusia atau jalur yang diikuti oleh robot.

Model mereka memungkinkan persamaan ini dihitung pada titik mana pun di masa lalu atau masa depan. Tidak hanya itu, perhitungannya jauh lebih cepat karena persamaan diferensial tidak perlu diselesaikan langkah demi langkah.

Bayangkan jaringan saraf end-to-end yang menggunakan kamera yang terpasang di dalam mobil untuk memberikan input mengemudi. Jaringan dilatih untuk menghasilkan keluaran seperti sudut kemudi mobil. Pada tahun 2020, tim berhasil membuat mobil yang dapat digerakkan oleh 19 neuron dan modul penginderaan kecil menggunakan jaringan saraf fluida 19-node. Setiap node dalam sistem dijelaskan oleh persamaan diferensial. Karena solusi bentuk tertutup adalah perkiraan yang baik dari dinamika sistem yang sebenarnya, mengubahnya dalam mesh ini akan menghasilkan perilaku yang Anda cari. Akibatnya, mereka dapat memecahkan masalah dengan neuron yang lebih sedikit, membuat proses lebih cepat dan lebih murah secara komputasi.

Sumber dan Bacaan Lebih Lanjut: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html

Günceleme: 21/11/2022 14:03

Iklan serupa

Jadilah yang pertama mengomentari

Tinggalkan respons

Alamat email Anda tidak akan dipublikasikan.


*