Новый алгоритм позволяет роботизированным системам быстрее обрабатывать информацию и находить связи между данными. Это существенно уменьшит расход времени и вычислительных ресурсов на обработку информации и поможет более эффективному обучению ИИ.
Ученые «подсмотрели» у человеческого мозга алгоритм для улучшения памяти робота
Российские ученые из МФТИ, ФИЦ «Информатика и управление» РАН и института AIRI разработали новый биологически подобный алгоритм памяти для искусственного интеллекта, значительно повышающий эффективность обучения роботов в условиях шумовой среды.
Freepik
Метод основан на принципах работы отростков нейронов мозга, ответственных за передачу сигналов.
Основой разработки стала идея использования математических моделей, напоминающих дендриты — отростки нейронов в человеческом мозге, которые играют ключевую роль в передаче информации. В искусственных моделях они помогают распознавать и классифицировать объекты. При обучении модель адаптируется, «вырастая» и расширяя свои знания путем создания новых «дендритов».
Однако существующие модели сталкиваются с проблемой чрезмерного разрастания. Это часто происходит в «шумных» средах, где каждое новое отклонение требует создания дополнительных сегментов, что увеличивает сложность и ресурсоемкость системы. Решение, которое предлагают ученые, – изменение алгоритма машинного обучения таким образом, чтобы вычислительная модель распознавала не весь объект, а определенные его части. Для этого в алгоритм внедрили «мягкий адаптер». Функция позволила существующим сегментам узнавать новые объекты по частичному сходству. Результаты экспериментов подтвердили, что подход существенно замедляет рост «дендритов» без значительной потери качества распознавания.
«Такой способ существенно уменьшает рост "дендритов", при этом уже выращенные сегменты задействует гораздо шире. 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. Так, ИИ учится обобщать данные по определенным признакам и находить между ними взаимосвязи. Эти действия, в принципе, уже можно отнести к примитивным мыслительным операциям», — отметил Петр Кудеров, ассистент Центра когнитивного моделирования МФТИ и младший научный сотрудник института AIRI.
Разработка алгоритма не только минимизирует избыточное разрастание, но и увеличивает способность ИИ обобщать данные, находя взаимосвязи даже в условиях повышенного шума. Кроме того, независимо от природы данных — будь то текст, изображение или физические объекты — вычислительная модель эффективно справляется с распознаванием. С этой технологией ИИ может стать на шаг ближе к реализации примитивных форм мышления.
Вместе с тем 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.