Исследователи центра вычислительной нейронауки Института Флатирон разработали новую модель искусственного интеллекта на основе новых знаний о функционировании нейронов в человеческом мозге. Согласно последним исследованиям, биологические нейроны обладают большим контролем над своим окружением, чем считалось ранее, что может быть воспроизведено в искусственных нейронных сетях, используемых в машинном обучении.
На данный момент многие нейронные сети, используемые в ИИ-технологиях, работают на основе представлений ученых о нервной системе, сформированных в 1960-х годах. Однако эта модель не отражает все вычислительные возможности, которыми обладают реальные нейроны, что тормозит развитие ИИ. Применение механизмов, аналогичных реакциям, происходящим в человеческом мозге, повысило бы эффективность нейросетей, снижая риск ошибки и неудачного обучения.
«Нейробиология значительно продвинулась вперед за последние 60 лет, и теперь мы признаем, что предыдущие модели нейронов довольно рудиментарны. Нервная клетка — гораздо более сложное устройство, чем эта чрезмерно упрощенная модель», — отметил руководитель группы исследователей Дмитрий Шкловский.
Нейросети представляют собой упрощенную модель процесса обработки информации и принятия решения мозгом. Механизм подобных сетей включает в себя систему взаимодействий упорядоченных узлов. Первым звеном в цепи является входной уровень, то есть получение информации. Далее задействуются узлы среднего уровня, отвечающие за обработку информации. Процесс завершается выходным уровнем, который выдает результаты.
Ключевым является то, что в старой модели узел передавал информацию на следующий уровень только в том случае, если общий объем данных, которые он получил от предыдущего уровня, превышал определенный порог. Таким образом, информация могла проходить лишь в одном направлении.
Согласно новым данным, нейроны не просто передают входные данные от уровня к уровню, но управляют состоянием других клеток. Большинство нервных клеток функционируют согласно принципу обратной связи: узлы, располагающиеся на поздних этапах цепочки, влияют на процессы, происходящие на ранних этапах.
По словам Дмитрия Шкловского, подобный взгляд на нейроны объясняет некоторые сложные биологические явления. Например, то, что некоторые типы шума способствуют повышению производительности нервных клеток. В ходе исследования выявилось, что добавление шума к смоделированному нейрону помогает ему адаптироваться к изменчивой среде.
Дмитрий Шкловский отметил ограниченность применения новой модели, так как не все нейроны человеческого мозга действуют как контроллеры. Например, нервные узлы сетчатки получают прямые входные данные из визуальной среды. Они не способны контролировать свои входные данные, но предсказывают их, даже если не могут повлиять. При этом понятия «контроль» и «прогнозирование» связаны между собой. Эффективное управление невозможно без прогноза. Это приближает механизм функционирования нейронов сетчатки к модели, разработанной в Институте Флатирон. В дальнейшем эксперты планируют анализировать именно те типы нейронов, которые не соответствуют их модели.
