Nachricht

China News Service, Peking, 17. August (Reporter Sun Zifa) Angesichts der Probleme, mit denen der „exogene komplexitätsbasierte“ Weg der allgemeinen künstlichen Intelligenz (KI) konfrontiert ist, wie etwa nicht nachhaltige Rechenressourcen und Energieverbrauch sowie unzureichende Erklärbarkeit, hat das Institut für Automatisierung der Chinesischen Akademie der Wissenschaften Das Forschungsteam von Li Guoqi und endogene Komplexität“ in ihrer neuesten Forschung.

Diese neue, vom Gehirn inspirierte Rechenmethode kann das Problem des Rechenressourcenverbrauchs, das durch die Ausweitung traditioneller Modelle verursacht wird, verbessern und ist außerdem ein Beispiel für den effektiven Einsatz der Neurowissenschaften zur Entwicklung künstlicher Intelligenz. Entsprechende Ergebnispapiere wurden kürzlich in der internationalen Fachzeitschrift „Nature Computational Science“ veröffentlicht.

Das Kooperationsteam sagte, dass der Aufbau einer allgemeineren künstlichen Intelligenz und die Ermöglichung breiterer und allgemeinerer kognitiver Fähigkeiten für das Modell wichtige Ziele für die aktuelle Entwicklung auf dem Gebiet der künstlichen Intelligenz seien. Der derzeit beliebte Weg für große Modelle besteht darin, größere, tiefere und breitere neuronale Netze auf der Grundlage des „Skalierungsgesetzes“ aufzubauen, das als allgemeine Intelligenzimplementierungsmethode „basierend auf exogener Komplexität“ bezeichnet werden kann. Dieser Weg ist jedoch mit Problemen wie Unhaltbarkeit konfrontiert Rechenressourcen und Energieverbrauch sowie unzureichende Interpretierbarkeit.

In dieser Studie demonstrierte das Kooperationsteam zunächst die Äquivalenz der dynamischen Eigenschaften zwischen dem LIF-Modell des Spike-Neuronalnetzwerks und dem HH-Modell und bewies außerdem theoretisch, dass HH-Neuronen mit vier zeitlich variierenden Parametern mit spezifischen Verbindungsstrukturen interagieren können der LIF-Neuronen (tv-LIF) sind gleichwertig.

Basierend auf dieser Äquivalenz verbesserte das Team die endogene Komplexität der Recheneinheit durch den Entwurf einer Mikroarchitektur, sodass das HH-Netzwerkmodell die dynamischen Eigenschaften des größeren LIF-Netzwerkmodells simulieren und ähnliche Ergebnisse auf einer kleineren Netzwerkarchitektur erzielen kann. Berechnungsfunktion. Anschließend vereinfachte das Team das aus vier tv-LIF-Neuronen konstruierte „HH-Modell“ (tv-LIF2HH) weiter zum s-LIF2HH-Modell und verifizierte die Wirksamkeit dieses vereinfachten Modells bei der Erfassung komplexer dynamischer Verhaltensweisen durch Simulationsexperimente.

Die experimentellen Ergebnisse dieser Studie zeigen, dass das HH-Netzwerkmodell und das s-LIF2HH-Netzwerkmodell eine ähnliche Leistung in Bezug auf Darstellungsfähigkeit und Robustheit aufweisen, was die Wirksamkeit und Zuverlässigkeit des endogenen Komplexitätsmodells bei der Bewältigung komplexer Aufgaben bestätigt. Gleichzeitig wurde in der Studie auch festgestellt, dass das HH-Netzwerkmodell den Ressourcenverbrauch effizienter berechnet, den Speicherverbrauch und die Rechenzeit erheblich reduziert und dadurch die Gesamtrecheneffizienz verbessert.

Das Kooperationsteam erläuterte seine Forschungsergebnisse anhand der Informationsengpasstheorie und glaubte, dass diese Forschung neue Methoden und theoretische Unterstützung für die Integration der komplexen dynamischen Eigenschaften der Neurowissenschaften in die künstliche Intelligenz bietet und eine Optimierung und Leistungsverbesserung für Modelle der künstlichen Intelligenz in praktischen Anwendungen bietet machbare Lösungen.

Berichten zufolge hat das Kooperationsteam derzeit an größeren HH-Netzwerken und Neuronen mit mehreren Zweigen und mehreren Kompartimenten und größerer endogener Komplexität geforscht, was voraussichtlich die Recheneffizienz und die Aufgabenverarbeitungsfähigkeiten großer Modelle weiter verbessern und praktisch umsetzen wird Anwendungen. Schnelle Landung in der Szene. (über)

(China News Network)