Minha Visão

Como um Núcleo AI Algoritmo Pode Funcionar no Cérebro

brain AI neuroscience deep learning backpropagation
cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


A culpa é o principal jogo quando se trata de aprendizagem.

Eu sei que soa estranho, mas ouça-me. Circuitos neurais de milhares, se não mais, neurônios de controle de cada um de seus pensamentos, raciocínios, e comportamentos. Tomar costura de uma máscara facial como um exemplo: de alguma forma, um conjunto de neurônios que têm para a ligação de formas específicas para certificar-se de que você não picar o dedo com uma agulha afiada. Você vai falhar no início, antes de ficar melhor proteger sua mão enquanto costura uniforme pontos com eficiência.

Então a questão é, os neurônios que, eventualmente, permitir que você costure com facilidade, quais—ou que as conexões entre as quais, aquelas onde a culpa, inicialmente, para os seus ferimentos? São os únicos responsáveis pela sua eventual proficiência? Não exatamente como o cérebro a aprender através de erros?

Em um novo papel, algumas das mentes mais brilhantes no AI—incluindo o Dr. Geoffrey Hinton, o padrinho de uma aprendizagem mais profunda e pessoal DeepMind, a criança do poster de neuro-AI crossovers—se argumentar que a idéia de um núcleo algoritmo que conduz a uma aprendizagem mais profunda também operam dentro do cérebro. O algoritmo, denominado backpropagation, foi a faísca que ateou fogo até a atual revolução do aprendizado profundo como o facto de aprendizado de máquina gigante. Em sua essência, “backprop” é uma forma extremamente eficaz para atribuir a culpa para conexões em redes neurais artificiais e levar a melhores resultados de aprendizagem. Enquanto não há nenhuma prova sólida ainda que o algoritmo opera também no cérebro, os autores estabelecidas várias ideias que os neurocientistas podem potencialmente testar na vida de tecido cerebral.

É um trabalho altamente controversa ideia, em parte porque ele foi trazido até anos atrás por AI pesquisadores e refutada por neurocientistas como “biologicamente impossível.” Ainda recentemente, o vínculo entre a aprendizagem profunda de técnicas e princípios da neurociência tem se tornado cada vez mais enredados em um feedback construtivo círculo de idéias. Como os autores argumentam, agora pode ser um bom momento para rever a possibilidade de que backpropagation—o coração de uma aprendizagem mais profunda, que também pode existir de alguma forma, em cérebros biológicos.

“Nós pensamos que backprop oferece um quadro conceitual para a compreensão de como o córtex aprende, mas muitos mistérios permanecem com relação ao modo como o cérebro poderia aproximá-la,” concluem os autores. Se for verdadeiro, significa que de alguma forma nossos cérebros biológicos veio com princípios para a concepção artificiais, que, incrivelmente, vagamente refletir a evolução é lenta formação de nosso próprio cérebro através dos genes. AI, o produto do nosso cérebro, vai surpreendentemente se tornou um modo de compreender um núcleo do mistério de como aprender.

Vamos Falar de Culpa

O dogma da neurociência da aprendizagem no cérebro é a idéia de “fogo juntos, fios juntos.” Em essência, durante a aprendizagem, os neurônios vão se conectar uns aos outros através de sinapses em uma rede, que lentamente se refina em si e nos permite aprender uma tarefa como a costura de uma máscara.

Mas como exatamente isso funciona? Uma rede neural é como uma espécie de democracia com pessoas que só estão em contato com seus vizinhos. Qualquer neurônio recebe apenas a entrada de seu parceiro superior, e passa informações para a sua jusante queridos. Na neurociência, linguagem popular, como fortemente essas conexões são dependem “synaptic pesos”—pense nisso como mais ou menos apertado aperto de mão, ou transferência de informações. Mais forte sináptica peso não é sempre melhor. O ponto principal de aprendizagem é de alguma forma “afinar” os pesos de toda a população, de modo que o principal resultado é o que queremos—que é, costura, panos, ao invés de incluir a punção de seu dedo.

Pense nele como um voto cenário no qual os neurônios individuais são eleitores que estão socialmente isolados e apenas em contato com os seus vizinhos imediatos. A comunidade, como um todo, sabe o que eles querem votar. Mas, então, um oponente fica eleito—então a questão é, de onde veio, as coisas dão errado, e como pode a rede como um todo corrigi-lo?

É claro que não é uma analogia perfeita, mas não deixa de ilustrar o problema de atribuição de culpa. Os neurocientistas pode geralmente concordam que as redes neurais ajuste sináptico pesos de suas neurônio membros para “empurrar” o resultado no sentido de algo melhor—um processo que chamamos de “aprendizagem”. Mas, para ajustar os pesos, primeiro que a rede tem que saber quais as ligações para ajustar.

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

Digite backpropagation. Em uma aprendizagem mais profunda, que consiste de várias camadas de neurônios artificiais conectados uns aos outros, a mesma culpa problema existe. Em 1986, Hinton e seus colegas David Rumelhart e Ronald Willliams convenceu-se de que a informação viaja através de diferentes camadas neurais, observando-se o quanto a saída de saudade de sua marca a partir do desejado, é possível calcular matematicamente um sinal de erro. Este sinal pode ser transmitida através da rede neural em camadas, com cada camada individualmente, recebendo um novo sinal de erro com base em suas camadas superiores. Daí, o nome de “backpropagation.”

READ  Inalador cortes risco de grave COVID-19, por 79%

É uma espécie de cinco pessoas a passar uma bola de basquete em uma linha, e o último lance perde. O treinador, neste caso, o backpropagation—terá início a partir do final do jogador, juiz, como provavelmente era o seu problema, e mover-se para trás para baixo a linha de descobrir que precisa de ajustes. Em uma rede neural artificial, o “ajuste” significa alterar o peso sináptico.

O próximo passo é para a rede para calcular o mesmo problema novamente. Desta vez, a bola entra. Isso significa que tudo o que ajustes a backprop treinador trabalhou. A rede vai adoptar o novo sináptica pesos, e o ciclo de aprendizagem continua.

Backprop no Cérebro?

De som como uma maneira lógica de aprendizagem? Totalmente! Backprop, em combinação com outros algoritmos, fez uma aprendizagem mais profunda dominante técnica de reconhecimento facial, linguagem de tradução, e AI vitórias contra os seres humanos, em Ir e poker.

“A realidade é que, no profundo de redes neurais, aprendizado, seguindo o gradiente de uma medida de desempenho funciona muito bem”, disseram os autores. A nossa única outra medida eficiente de aprendizagem é o nosso próprio cérebro—então, há alguma chance de que as ideias por trás backprop também existem no cérebro?

Há 30 anos atrás, a resposta foi um “claro que não.” Existem vários motivos, mas o principal é que as redes neurais artificiais não configurar a forma como as biológicas são, e a forma backprop matematicamente funciona apenas não pode traduzir literalmente para o que sabemos sobre o nosso próprio cérebro. Por exemplo, backprop requer um sinal de erro para percorrer os mesmos caminhos inicial de “feed-forward” computação—isto é, a informação caminho que inicialmente gerou o resultado, mas o nosso cérebro não está conectado dessa forma.

O algoritmo também alterações sinápticas pesos através de um feedback direto do sinal. Biológica neurônios, em geral, não. Eles podem mudar suas conexões através de mais de entrada, ou outros tipos de regulamentação—hormônios, transmissores químicos, e outros enfeites, mas usando o mesmo físico ramos e sinapses e direta de sinais de realimentação, enquanto não fazê-los misturados, era considerado impossível. Adicione a isso o fato de que as sinapses não são, literalmente, onde o nosso cérebro armazenar dados, e o problema se torna ainda mais complicada.

READ  a & e | O rapper modernista Saul Paul «Kurzweil

Os autores do novo papel tenha uma solução elegante. A chave é não tomar backprop literalmente, mas simplesmente adotar seus princípios fundamentais. Aqui estão dois como um exemplo.

Um, se o cérebro não pode fisicamente usar os sinais de realimentação para alterar a sua sináptica pesos, o que sabemos é que ele utiliza outros mecanismos para alterar as suas ligações. Em vez de uma biológico de rede usando o resultado final para tentar alterar sináptica pesos em todos os níveis, os autores argumentam, o cérebro poderia, em vez disso, alterar a capacidade dos neurônios de fogo—e, por sua vez, localmente alteração sináptica pesos, de modo que da próxima vez ao redor, você não picar o dedo. Pode soar como nit-picking, mas a teoria alterações algo impossível no cérebro a uma ideia que pode funcionar com base no que sabemos sobre o cérebro cálculos.

Quanto ao problema da neurais ramos de apoio tanto feedforward “computação” sinais de realimentação e do “ajustamento” sinais, os autores argumentam que as recentes descobertas da neurociência mostram claramente que os neurônios não são um uniforme blob quando se trata de computação. Em vez disso, os neurônios são claramente dividida em segmentos, cada compartimento de recepção de diferentes insumos e de computação de maneiras ligeiramente diferentes. Isso significa que ele não é louco para levantar a hipótese de que os neurônios podem, simultaneamente, apoiar e integrar vários tipos de sinais, incluindo sinais de erro—preservando a sua memória e computacional proeza.

Essa é a destilação simples. Muitos detalhes são explicados no papel, o que torna a leitura de um bom livro. Por enquanto, a idéia de backprop-como sinais no cérebro continua a ser uma conjectura; neurocientistas terá que realizar molhado experimentos de laboratório para ver se os dados empíricos, apoia a ideia. Se a teoria realmente joga fora no cérebro, no entanto, é outra camada—talvez um extremamente fundamental—que vínculos biológicos de aprendizagem com AI. Seria um nível de convergência anteriormente inimagináveis.

Crédito da imagem: Gerd Altmann de Pixabay

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *