notizia

China News Service, Pechino, 17 agosto (Reporter Sun Zifa) In considerazione dei problemi che il percorso generale dell'intelligenza artificiale (AI) "basato sulla complessità esogena" deve affrontare, quali risorse informatiche insostenibili e consumo di energia e insufficiente spiegabilità, l'Istituto di Automazione dell'Accademia cinese delle scienze Il gruppo di ricerca di Li Guoqi e Xu Bo, insieme ad altri studiosi dell'Università di Tsinghua e dell'Università di Pechino, ha attinto alle complesse caratteristiche dinamiche dei neuroni cerebrali e ha proposto un metodo di costruzione del modello di neuroni simili al cervello "basato su complessità endogena" nella loro ultima ricerca.

Questo nuovo metodo informatico ispirato al cervello può migliorare il problema del consumo di risorse informatiche causato dall’espansione verso l’esterno dei modelli tradizionali e fornisce anche un esempio dell’uso efficace delle neuroscienze per sviluppare l’intelligenza artificiale. Documenti sui risultati rilevanti sono stati recentemente pubblicati sulla rivista accademica professionale internazionale "Nature Computational Science".

Il team di cooperazione ha affermato che costruire un’intelligenza artificiale più generale e consentire al modello di avere capacità cognitive più ampie e generali sono obiettivi importanti per l’attuale sviluppo del campo dell’intelligenza artificiale. Il percorso attualmente popolare per i modelli di grandi dimensioni è quello di costruire reti neurali più grandi, più profonde e più ampie basate sulla "Legge di Scaling", che può essere definita un metodo di implementazione dell'intelligenza generale "basato sulla complessità esogena", ma questo percorso affronta problemi come l'insostenibilità risorse di calcolo e consumo di energia e interpretabilità insufficiente.

In questo studio, il team collaborativo ha dimostrato per la prima volta l’equivalenza nelle caratteristiche dinamiche tra il modello LIF dei neuroni della rete neurale e il modello HH, e ha inoltre dimostrato teoricamente che i neuroni HH possono interagire con quattro parametri variabili nel tempo con specifiche strutture di connessione di neuroni LIF (tv-LIF) sono equivalenti.

Sulla base di questa equivalenza, il team ha migliorato la complessità endogena dell'unità di calcolo progettando una microarchitettura, in modo che il modello di rete HH possa simulare le caratteristiche dinamiche del modello di rete LIF su scala più ampia e ottenere risultati simili su un'architettura di rete più piccola. Funzione di calcolo. Successivamente, il team ha ulteriormente semplificato il "modello HH" (tv-LIF2HH) costruito da quattro neuroni tv-LIF nel modello s-LIF2HH e ha verificato l'efficacia di questo modello semplificato nel catturare comportamenti dinamici complessi attraverso esperimenti di simulazione.

I risultati sperimentali di questo studio mostrano che il modello di rete HH e il modello di rete s-LIF2HH hanno prestazioni simili in termini di capacità di rappresentazione e robustezza, verificando l'efficacia e l'affidabilità del modello di complessità endogena nella gestione di compiti complessi. Allo stesso tempo, lo studio ha anche scoperto che il modello di rete HH è più efficiente nel consumo delle risorse informatiche, riducendo significativamente l’uso della memoria e del tempo di elaborazione, migliorando così l’efficienza complessiva dell’elaborazione.

Il team collaborativo ha spiegato i risultati della ricerca attraverso la teoria del collo di bottiglia delle informazioni e ritiene che questa ricerca fornisca nuovi metodi e supporto teorico per integrare le complesse caratteristiche dinamiche delle neuroscienze nell'intelligenza artificiale e fornisca ottimizzazione e miglioramento delle prestazioni per i modelli di intelligenza artificiale nelle applicazioni pratiche soluzioni fattibili.

Secondo i rapporti, il team di collaborazione ha attualmente condotto ricerche su reti HH su larga scala e neuroni multi-ramo multi-compartimento con maggiore complessità endogena, che si prevede migliorerà ulteriormente l'efficienza di calcolo e le capacità di elaborazione dei compiti di modelli di grandi dimensioni e realizzerà pratiche pratiche. applicazioni. Atterraggio rapido nella scena. (Sopra)

(Rete di notizie cinese)