uutiset

China News Service, Peking, 17. elokuuta (Reportteri Sun Zifa) Ottaen huomioon ongelmat, joita "eksogeeniseen monimutkaisuuteen perustuvaan" yleiseen tekoälyyn (AI) liittyy sellaisiin ongelmiin kuin kestämättömät laskentaresurssit ja energiankulutus sekä riittämätön selitettävyys. Kiinan tiedeakatemian automatisointi Li Guoqin ja Xu Bon tutkimusryhmä yhdessä muiden Tsinghuan yliopiston ja Pekingin yliopiston tutkijoiden kanssa pohjautui aivojen hermosolujen monimutkaisiin dynaamisiin ominaisuuksiin ja ehdotti aivojen kaltaista neuronimallin rakennusmenetelmää, joka perustuu endogeeninen monimutkaisuus" uusimmassa tutkimuksessaan.

Tämä uusi aivojen inspiroima laskentamenetelmä voi parantaa perinteisten mallien ulospäin laajentumisen aiheuttamaa laskentaresurssien kulutusongelmaa ja on myös esimerkki neurotieteen tehokkaasta käytöstä tekoälyn kehittämiseen. Asiaankuuluvat tulospaperit julkaistiin äskettäin kansainvälisessä akateemisessa ammattilehdessä "Nature Computational Science".

Yhteistyöryhmä totesi, että yleisemmän tekoälyn rakentaminen ja mallin laajempien ja yleisempien kognitiivisten kykyjen mahdollistaminen ovat tärkeitä tavoitteita tekoälyn alan nykyiselle kehitykselle. Tällä hetkellä suosittu polku suurille malleille on rakentaa suurempia, syvempiä ja laajempia neuroverkkoja "skaalauslakiin" perustuen, jota voidaan kutsua yleiseksi älykkyyden toteutusmenetelmäksi "perustaen eksogeeniseen monimutkaisuuteen", mutta tämä polku Se kohtaa ongelmia, kuten kestämätön. laskentaresurssit ja energiankulutus sekä riittämätön tulkittavuus.

Tässä tutkimuksessa yhteistyöryhmä osoitti ensin dynaamisten ominaisuuksien vastaavuuden piikkihermoverkkohermosolujen LIF-mallin ja HH-mallin välillä ja osoitti edelleen teoreettisesti, että HH-neuronit voivat olla vuorovaikutuksessa neljän ajassa vaihtelevan parametrin kanssa, joilla on tietyt yhteysrakenteet LIF-neuroneista (tv-LIF) ovat vastaavat.

Tämän vastaavuuden perusteella tiimi paransi laskentayksikön endogeenistä monimutkaisuutta suunnittelemalla mikroarkkitehtuuria, jotta HH-verkkomalli voi simuloida suuremman mittakaavan LIF-verkkomallin dynaamisia ominaisuuksia ja saavuttaa samanlaisia ​​tuloksia pienemmässä verkkoarkkitehtuurissa. Laskentatoiminto. Myöhemmin ryhmä yksinkertaisti edelleen neljästä tv-LIF-hermosolusta muodostettua "HH-mallia" (tv-LIF2HH) s-LIF2HH-malliksi ja varmisti tämän yksinkertaistetun mallin tehokkuuden monimutkaisen dynaamisen käyttäytymisen vangitsemisessa simulaatiokokeiden avulla.

Tämän tutkimuksen kokeelliset tulokset osoittavat, että HH-verkkomallilla ja s-LIF2HH-verkkomallilla on samanlainen suorituskyky esityskyvyn ja robustisuuden osalta, mikä varmistaa endogeenisen kompleksisuusmallin tehokkuuden ja luotettavuuden monimutkaisten tehtävien käsittelyssä. Samalla tutkimuksessa todettiin myös, että HH-verkkomalli on tehokkaampi resurssien kulutuksen laskemisessa, mikä vähentää merkittävästi muistin ja laskenta-ajan käyttöä, mikä parantaa yleistä laskennan tehokkuutta.

Yhteistyöryhmä selitti tutkimustuloksiaan tiedon pullonkaulateorian kautta ja uskoi, että tämä tutkimus tarjoaa uusia menetelmiä ja teoreettista tukea neurotieteen monimutkaisten dynaamisten ominaisuuksien integroimiseksi tekoälyyn sekä optimoi ja parantaa tekoälymallien suorituskykyä käytännön sovelluksissa toteuttamiskelpoisia ratkaisuja.

Raporttien mukaan yhteistyötiimi on tällä hetkellä tehnyt tutkimusta laajemmista HH-verkoista ja monihaaraisista moniosastoisista neuroneista, joilla on suurempi endogeeninen monimutkaisuus, minkä odotetaan edelleen parantavan suurten mallien laskentatehokkuutta ja tehtävänkäsittelykykyä sekä toteuttavan käytännönläheisiä ominaisuuksia. sovelluksia nopeaan laskeutumiseen. (yli)

(China News Network)