новости

Служба новостей Китая, Пекин, 17 августа (репортер Сунь Цзифа) Принимая во внимание проблемы, с которыми путь общего искусственного интеллекта (ИИ), основанный на экзогенной сложности, сталкивается с такими проблемами, как неустойчивые вычислительные ресурсы и потребление энергии, а также недостаточная объяснимость, Институт Автоматизации, Китайская академия наук. Исследовательская группа Ли Гоци и Сюй Бо вместе с другими учеными из Университета Цинхуа и Пекинского университета, опираясь на сложные динамические характеристики нейронов головного мозга, предложила метод построения модели нейрона, похожего на мозг, «основанный на эндогенная сложность» в своих последних исследованиях.

Этот новый метод вычислений, вдохновленный мозгом, может решить проблему потребления вычислительных ресурсов, вызванную внешним расширением традиционных моделей, а также представляет собой пример эффективного использования нейробиологии для разработки искусственного интеллекта. Соответствующие результаты были недавно опубликованы в международном профессиональном академическом журнале Nature Computational Science.

Команда сотрудничества заявила, что создание более общего искусственного интеллекта и придание модели более широких и общих когнитивных способностей являются важными целями текущего развития области искусственного интеллекта. В настоящее время популярным путем для больших моделей является построение более крупных, глубоких и широких нейронных сетей на основе «Закона масштабирования», который можно назвать методом реализации общего интеллекта, «основанным на экзогенной сложности», но этот путь сталкивается с такими проблемами, как неустойчивость вычислительные ресурсы и энергопотребление, а также недостаточная интерпретируемость.

В этом исследовании совместная группа впервые продемонстрировала эквивалентность динамических характеристик между моделью LIF импульсных нейронных сетей и моделью HH, а также теоретически доказала, что нейроны HH могут взаимодействовать с четырьмя изменяющимися во времени параметрами с определенными структурами соединений. нейронов LIF (tv-LIF) эквивалентны.

Основываясь на этой эквивалентности, команда улучшила внутреннюю сложность вычислительного блока, разработав микроархитектуру, чтобы модель сети HH могла имитировать динамические характеристики крупномасштабной сетевой модели LIF и достигать аналогичных результатов на сетевой архитектуре меньшего размера. Функция расчета. Впоследствии команда еще больше упростила «модель HH» (tv-LIF2HH), построенную из четырех нейронов tv-LIF, до модели s-LIF2HH, и подтвердила эффективность этой упрощенной модели в регистрации сложного динамического поведения посредством симуляционных экспериментов.

Экспериментальные результаты этого исследования показывают, что сетевая модель HH и сетевая модель s-LIF2HH имеют схожие характеристики по способности представления и надежности, что подтверждает эффективность и надежность модели эндогенной сложности при решении сложных задач. В то же время исследование также показало, что сетевая модель HH более эффективна в потреблении вычислительных ресурсов, значительно сокращая использование памяти и время вычислений, тем самым повышая общую эффективность вычислений.

Совместная группа объяснила результаты своих исследований с помощью теории информационных узких мест и полагала, что это исследование предоставляет новые методы и теоретическую поддержку для интеграции сложных динамических характеристик нейробиологии в искусственный интеллект, а также обеспечивает оптимизацию и повышение производительности моделей искусственного интеллекта в практических приложениях. осуществимые решения.

Согласно сообщениям, совместная группа в настоящее время проводит исследования крупномасштабных сетей HH и многоветвевых многокамерных нейронов с большей эндогенной сложностью, что, как ожидается, позволит еще больше повысить эффективность вычислений и возможности обработки задач больших моделей и реализовать практические возможности. приложения Быстрая посадка в сцену. (над)

(Китайская новостная сеть)