ニュース

中国新聞社、北京、8月17日（孫子発記者） 「外因性複雑さに基づく」汎用人工知能（AI）の道が持続不可能なコンピューティングリソースとエネルギー消費、不十分な説明可能性などの問題に直面していることを考慮して、同研究所は次のように述べた。中国科学院オートメーション部門のLi GuoqiとXu Boの研究チームは、清華大学と北京大学の他の学者とともに、脳ニューロンの複雑な動的特性を利用し、「以下に基づいた脳のようなニューロンモデルの構築方法」を提案した。彼らの最新の研究では、「内因性の複雑さ」が明らかになりました。

この新しい脳発想のコンピューティング手法は、従来のモデルの外部拡張によって引き起こされるコンピューティング リソースの消費問題を改善することができ、また、人工知能の開発における神経科学の効果的な使用例も提供します。関連する成果論文は最近、国際専門学術誌「Nature Computational Science」に掲載されました。

協力チームは、より一般的な人工知能を構築し、モデルにより広範でより一般的な認知能力を与えることが、人工知能分野の現在の発展にとって重要な目標であると述べた。大規模モデルの現在一般的な道は、「外生的な複雑さに基づく」一般的な知能の実装方法ともいえる「スケーリング則」に基づいて、より大きく、より深く、より広いニューラルネットワークを構築することですが、この道は持続不可能であるなどの問題に直面しています。コンピューティング リソースとエネルギー消費、および不十分な解釈可能性。

この研究では、共同チームはまず、スパイキング ニューラル ネットワーク ニューロン LIF モデルと HH モデルの間の動的特性の同等性を実証し、さらに HH ニューロンが特定の接続構造を持つ 4 つの時間変化するパラメーターと相互作用できることを理論的に証明しました。 LIF ニューロン (tv-LIF) の数は同等です。

この等価性に基づいて、チームは、HH ネットワーク モデルが大規模な LIF ネットワーク モデルの動的特性をシミュレートし、より小規模なネットワーク アーキテクチャでも同様の結果を達成できるように、マイクロ アーキテクチャを設計することでコンピューティング ユニットの内生的な複雑さを改善しました。計算機能。続いて、4つのtv-LIFニューロンから構築された「HHモデル」（tv-LIF2HH）をさらに簡略化してs-LIF2HHモデルとし、この簡略化したモデルが複雑な動的挙動を捉える有効性をシミュレーション実験により検証しました。

この研究の実験結果は、HH ネットワーク モデルと s-LIF2HH ネットワーク モデルが表現能力とロバスト性において同様のパフォーマンスを備えていることを示し、複雑なタスクの処理における内因性複雑さモデルの有効性と信頼性を検証しました。同時に、この研究では、HH ネットワーク モデルはコンピューティング リソースの消費効率が高く、メモリの使用量とコンピューティング時間が大幅に削減され、それによって全体的なコンピューティング効率が向上することもわかりました。

共同チームは、情報ボトルネック理論を通じて研究結果を説明し、この研究が神経科学の複雑な動的特性を人工知能に統合するための新しい方法と理論的サポートを提供し、実際のアプリケーションでの人工知能モデルの最適化とパフォーマンスの向上を提供すると信じていました。実現可能な解決策。

報告によると、共同チームは現在、より大規模なHHネットワークと、より内因性の複雑性を備えたマルチブランチ・マルチコンパートメント・ニューロンの研究を行っており、これにより大規模モデルの計算効率とタスク処理能力がさらに向上し、実用的なモデルが実現されることが期待されています。シーンに素早く着陸します。 （以上）

(チャイナニュースネットワーク)