آیا شبکه‌های عصبی مایع آینده یادگیری ماشین هستند؟
وارد شوید تا ادامه‌ی پادکست‌ها در هر دستگاهی از همان جایی که رها کرده‌اید پخش شود.
درباره‌ی این قسمت
الهام از سیستم عصبی یک کرم کوچک به طراحی شبکه‌هایی انعطاف‌پذیر برای هوش مصنوعی منجر شده است. داستان این ایده علمی را بشنوید.
بخش بزرگی از یادگیری ماشین بر این فرض بنا شده که شبکه عصبی پس از آموزش، با ساختاری تقریباً ثابت به مسائل پاسخ دهد. اما دنیای واقعی چنین ثباتی ندارد. نور، سرعت، حرکت و شرایط محیطی دائماً تغییر می‌کنند و مدلی که برای یک وضعیت مشخص بهینه شده، ممکن است در موقعیتی متفاوت عملکرد مطلوبی نداشته باشد.
راه‌حلی که در این اپیزود بررسی می‌شود، از جایی غیرمنتظره شروع می‌شود: سیستم عصبی یک کرم بسیار کوچک. پژوهشگران با الهام از نحوه پردازش اطلاعات در این موجود، نوعی شبکه عصبی طراحی کرده‌اند که رفتار آن می‌تواند در طول زمان و متناسب با ورودی‌های جدید تغییر کند. به همین دلیل، این مدل‌ها «شبکه‌های عصبی مایع» نام گرفته‌اند.
تفاوت اصلی در این است که شبکه به یک مسیر محاسباتی کاملاً ثابت محدود نمی‌شود. معادلاتی که وضعیت نورون‌های مصنوعی را توصیف می‌کنند، امکان تغییر تدریجی و پیوسته وضعیت شبکه را فراهم می‌کنند. این ویژگی به مدل اجازه می‌دهد اطلاعات متغیر را بهتر دنبال کند، بدون اینکه برای هر تغییر محیط به یک ساختار کاملاً جدید نیاز داشته باشد.
این ایده از نظر محاسباتی هم اهمیت دارد. یک شبکه عصبی انعطاف‌پذیر اگر به منابع عظیم پردازشی وابسته باشد، کاربرد عملی محدودی خواهد داشت. هدف این رویکرد، ساخت مدل‌هایی کوچک‌تر و کم‌هزینه‌تر است که بتوانند وظایفی مانند کنترل خودروهای خودران یا هدایت پهپادها را با واکنش مناسب به شرایط متغیر انجام دهند.
در این اپیزود به این پرسش می‌پردازیم که آیا برای ساخت سیستم‌های هوشمندتر، همیشه باید شبکه‌های عصبی را بزرگ‌تر و پیچیده‌تر کنیم، یا تغییر در شیوه محاسبه می‌تواند نتیجه بهتری به همراه داشته باشد. مسیر رسیدن از مدارهای عصبی یک کرم به ایده‌ای تازه در یادگیری ماشین، نمونه جالبی از پیوند میان زیست‌شناسی و هوش مصنوعی است.
برای ثبت دیدگاه وارد حساب کاربری خود شوید.
