소식

중국통신사, 베이징, 8월 17일(쑨자파 기자) '외생적 복잡성 기반' 일반 인공지능(AI) 경로가 지속 불가능한 컴퓨팅 자원과 에너지 소비, 설명력 부족 등의 문제에 직면해 있다는 점을 고려하여 중국 과학기술연구소는 중국과학원 자동화 리궈치(Li Guoqi)와 쉬보(Xu Bo) 연구팀은 칭화대학교, 북경대학교의 다른 학자들과 함께 뇌 뉴런의 복잡한 동적 특성을 도출하고 '뇌와 유사한 뉴런 모델 구축 방법'을 제안했습니다. 내생적 복잡성'이 최근 연구에서 밝혀졌습니다.

뇌에서 영감을 받은 이 새로운 컴퓨팅 방식은 기존 모델의 외부 확장으로 인해 발생하는 컴퓨팅 리소스 소비 문제를 개선할 수 있으며, 인공지능 개발에 신경과학을 효과적으로 활용하는 사례도 제공합니다. 최근 국제 전문학술지 '네이처컴퓨테이션사이언스(Nature Computational Science)'에 관련 결과 논문이 게재됐다.

협력팀은 보다 일반적인 인공지능을 구축하고 모델이 보다 광범위하고 일반적인 인지 능력을 갖도록 하는 것이 현재 인공지능 분야 발전을 위한 중요한 목표라고 말했다. 현재 대형 모델의 인기 경로는 "외생적 복잡성에 기반한" 일반 지능 구현 방법이라고 할 수 있는 "스케일링 법칙"을 기반으로 더 크고 깊고 넓은 신경망을 구축하는 것이지만 이 경로는 지속 불가능하다는 등의 문제에 직면해 있습니다. 컴퓨팅 리소스와 에너지 소비 및 해석력이 부족합니다.

이번 연구에서 공동 연구팀은 먼저 스파이킹 신경망 뉴런 LIF 모델과 HH 모델 사이의 동적 특성이 동등함을 입증했으며, 나아가 HH 뉴런이 특정 연결 구조를 사용하여 4개의 시변 매개변수와 상호 작용할 수 있음을 이론적으로 입증했습니다. LIF 뉴런(tv-LIF)은 동일합니다.

이러한 동등성을 기반으로 팀은 마이크로 아키텍처를 설계하여 컴퓨팅 장치의 내생적 복잡성을 개선하여 HH 네트워크 모델이 대규모 LIF 네트워크 모델의 동적 특성을 시뮬레이션하고 더 작은 네트워크 아키텍처에서 유사한 결과를 얻을 수 있도록 했습니다. 계산 기능. 이후 팀은 4개의 tv-LIF 뉴런으로 구성된 "HH 모델"(tv-LIF2HH)을 s-LIF2HH 모델로 더욱 단순화하고 시뮬레이션 실험을 통해 복잡한 동적 동작을 포착하는 데 있어 이 단순화된 모델의 효율성을 검증했습니다.

본 연구의 실험 결과는 HH 네트워크 모델과 s-LIF2HH 네트워크 모델이 표현 능력과 견고성에서 유사한 성능을 가짐을 보여 복잡한 작업을 처리하는 데 내생적 복잡성 모델의 효율성과 신뢰성을 검증했습니다. 동시에 연구에서는 HH 네트워크 모델이 컴퓨팅 리소스 소비 측면에서 더 효율적이며 메모리 사용량과 컴퓨팅 시간을 크게 줄여 전반적인 컴퓨팅 효율성을 향상시키는 것으로 나타났습니다.

연구팀은 정보 병목 이론을 통해 연구 결과를 설명했으며, 이번 연구가 신경과학의 복잡한 동적 특성을 인공지능에 통합하기 위한 새로운 방법과 이론적 뒷받침을 제공하고, 실제 응용 분야에서 인공지능 모델의 최적화 및 성능 향상을 제공한다고 믿었습니다. 가능한 솔루션.

보고서에 따르면, 공동 팀은 현재 내생적 복잡성이 더 큰 대규모 HH 네트워크 및 다중 분기 다중 구획 뉴런에 대한 연구를 수행했습니다. 이를 통해 대형 모델의 컴퓨팅 효율성 및 작업 처리 기능이 더욱 향상되고 실용화를 실현할 것으로 예상됩니다. 현장에서의 빠른 착륙. (위에)

(중국 뉴스 네트워크)