Признание нейронной разнообразности скачок в эффективности и производительности искусственного интеллекта

Признание разнообразия нейронов - скачок в эффективности и производительности ИИ

Роль разнообразия является предметом обсуждения в различных областях, от биологии до социологии. Однако недавнее исследование из Нелинейной лаборатории искусственного интеллекта (NAIL) Северо-Каролинского университета открывает увлекательное измерение этого дискурса: разнообразие в искусственных нейронных сетях искусственного интеллекта (AI).

Сила саморефлексии: настройка нейронных сетей внутренне

Уильям Дитто, профессор физики в университете NC State и директор NAIL, и его команда создали систему искусственного интеллекта, которая может “смотреть внутрь” и настраивать свою нейронную сеть. Этот процесс позволяет ИИ определить количество, форму и силу связи между своими нейронами, предлагая потенциал для подсетей с различными типами и силами нейронов.

“Мы создали тестовую систему с нечеловеческим интеллектом, искусственным интеллектом, чтобы узнать, выберет ли ИИ разнообразие вместо его отсутствия и улучшится ли производительность ИИ вследствие его выбора,” говорит Дитто. “Ключевым было дать ИИ возможность смотреть внутрь и узнать, как он учится”.

В отличие от обычного искусственного интеллекта, использующего статические, идентичные нейроны, ИИ Дитто имеет “регулятор для собственного мозга”, что позволяет ему заниматься мета-обучением, процессом, который увеличивает его способность к обучению и решению проблем. “Наш ИИ также мог выбирать между разнообразными или однородными нейронами,” говорит Дитто, “И мы обнаружили, что в каждом случае ИИ выбирал разнообразие как способ укрепления своей производительности”.

• Управляемое затухание
• Лучшие инструменты видеоконференций 2023 года
• Выбор правильной стратегии GPU для вашего проекта искусственного интеллекта

Прогрессия от обычной искусственной нейронной сети к разнообразной нейронной сети к обученной разнообразной нейронной сети. Толщина линий представляет силу связей

Метрики производительности: разнообразие превосходит однородность

Исследовательская группа измерила производительность ИИ при стандартном числовом классификационном упражнении и получила поразительные результаты. Обычные ИИ с их статическими и однородными нейронными сетями достигли точности в 57%. В отличие от этого, мета-обучение разнообразного ИИ достигает потрясающих 70% точности.

По словам Дитто, разнообразный ИИ показывает до 10 раз большую точность в решении более сложных задач, таких как предсказание качания маятника или движение галактик. “Действительно, мы также заметили, что по мере увеличения сложности и хаотичности задач производительность улучшается еще более резко по сравнению с ИИ, который не принимает во внимание разнообразие,” поясняет он.

Последствия: Парадигменный сдвиг в развитии искусственного интеллекта

Результаты этого исследования имеют далеко идущие последствия для развития технологий искусственного интеллекта. Они предлагают парадигменный сдвиг от насущных моделей нейронных сетей “всеобщего” размера к динамическим, саморегулирующимся.

“Мы показали, что если дать ИИ возможность смотреть внутрь и узнать, как он учится, он изменит свою внутреннюю структуру – структуру искусственных нейронов – чтобы принять разнообразие и улучшить свою способность к обучению и решению проблем эффективно и точно,” заключает Дитто. Это может быть особенно актуально в приложениях, требующих высокого уровня адаптивности и обучаемости, от автономных транспортных средств до медицинской диагностики.

Это исследование не только подчеркивает внутреннюю ценность разнообразия, но и открывает новые возможности для исследования и разработки искусственного интеллекта, подчеркивая необходимость динамических и адаптивных нейронных архитектур. С ожидаемой поддержкой от Управления морского исследования и других партнеров, следующая фаза исследования ожидается с нетерпением.

Принимая во внимание принципы внутреннего разнообразия, системы искусственного интеллекта значительно выигрывают в производительности и способностях к решению проблем, что может революционизировать наш подход к машинному обучению и развитию искусственного интеллекта.