berita

China News Service, Beijing, 17 Agustus (Reporter Sun Zifa) Mengingat permasalahan yang dihadapi jalur kecerdasan buatan umum (AI) "berbasis kompleksitas eksogen" seperti sumber daya komputasi dan konsumsi energi yang tidak berkelanjutan, serta kemampuan menjelaskan yang tidak memadai, Institut Otomasi, Akademi Ilmu Pengetahuan Tiongkok Tim peneliti Li Guoqi dan Xu Bo, bersama dengan peneliti lain dari Universitas Tsinghua dan Universitas Peking, memanfaatkan karakteristik dinamis kompleks dari neuron otak dan mengusulkan metode konstruksi model neuron mirip otak "berdasarkan kompleksitas endogen" dalam penelitian terbaru mereka.

Metode komputasi baru yang diilhami otak ini dapat memperbaiki masalah konsumsi sumber daya komputasi yang disebabkan oleh perluasan model tradisional, dan juga memberikan contoh penggunaan ilmu saraf yang efektif untuk mengembangkan kecerdasan buatan. Makalah hasil yang relevan baru-baru ini diterbitkan di jurnal akademik profesional internasional "Nature Computational Science".

Tim kerjasama mengatakan bahwa membangun kecerdasan buatan yang lebih umum dan memberikan model kemampuan kognitif yang lebih luas dan umum merupakan tujuan penting bagi perkembangan bidang kecerdasan buatan saat ini. Jalur yang populer saat ini untuk model besar adalah membangun jaringan saraf yang lebih besar, lebih dalam, dan lebih luas berdasarkan "Hukum Penskalaan", yang dapat disebut sebagai metode penerapan kecerdasan umum "berdasarkan kompleksitas eksogen", tetapi jalur ini menghadapi masalah seperti tidak berkelanjutan sumber daya komputasi dan konsumsi energi serta kemampuan interpretasi yang tidak memadai.

Dalam studi ini, tim kolaboratif pertama-tama menunjukkan kesetaraan karakteristik dinamis antara model LIF neuron jaringan saraf spiking dan model HH, dan selanjutnya secara teoritis membuktikan bahwa neuron HH dapat berinteraksi dengan empat parameter yang bervariasi terhadap waktu dengan struktur koneksi tertentu neuron LIF (tv-LIF) setara.

Berdasarkan kesetaraan ini, tim meningkatkan kompleksitas endogen unit komputasi dengan merancang arsitektur mikro, sehingga model jaringan HH dapat mensimulasikan karakteristik dinamis model jaringan LIF skala besar dan mencapai hasil serupa pada arsitektur jaringan yang lebih kecil. Fungsi perhitungan. Selanjutnya, tim menyederhanakan lebih lanjut "model HH" (tv-LIF2HH) yang dibangun dari empat neuron tv-LIF ke dalam model s-LIF2HH, dan memverifikasi keefektifan model yang disederhanakan ini dalam menangkap perilaku dinamis yang kompleks melalui eksperimen simulasi.

Hasil eksperimen penelitian ini menunjukkan bahwa model jaringan HH dan model jaringan s-LIF2HH memiliki kinerja serupa dalam kemampuan representasi dan ketahanan, yang membuktikan efektivitas dan keandalan model kompleksitas endogen dalam menangani tugas-tugas kompleks. Pada saat yang sama, penelitian ini juga menemukan bahwa model jaringan HH lebih efisien dalam konsumsi sumber daya komputasi, secara signifikan mengurangi penggunaan memori dan waktu komputasi, sehingga meningkatkan efisiensi komputasi secara keseluruhan.

Tim kolaboratif menjelaskan hasil penelitian mereka melalui teori kemacetan informasi dan percaya bahwa penelitian ini memberikan metode baru dan dukungan teoritis untuk mengintegrasikan karakteristik dinamis kompleks ilmu saraf ke dalam kecerdasan buatan, dan memberikan optimalisasi dan peningkatan kinerja model kecerdasan buatan dalam aplikasi praktis solusi yang layak.

Menurut laporan, tim kolaboratif saat ini telah melakukan penelitian pada jaringan HH berskala lebih besar dan neuron multi-cabang multi-kompartemen dengan kompleksitas endogen yang lebih besar, yang diharapkan dapat lebih meningkatkan efisiensi komputasi dan kemampuan pemrosesan tugas model besar serta mewujudkan kepraktisan. aplikasi. Pendaratan cepat di tempat kejadian. (lebih)

(Jaringan Berita Tiongkok)