Önszervező tanulógépezetet épített egy MIT-kutatócsoport

Az agy tanulását utánzó hálózat

Az MIT McGovern Institute for Brain Research és a K. Lisa Yang Integrative Computational Neuroscience Center kutatói szerint egy mesterséges neurális hálózat biológiai szempontból akkor lehet különösen informatív, ha képes önmagát megszervezni. A kutatásról szóló tanulmány október 9-én jelent meg a PNAS folyóiratban.

A hagyományos mesterségesintelligencia-rendszerekben a mérnökök határozzák meg, hogyan változzanak a hálózati kapcsolatok, amikor a rendszer tanulási adatokat dolgoz fel és visszajelzést kap a hibáiról. Qianli Liao, az MIT K. Lisa Yang ICoN Centerének posztdoktori kutatója szerint ez hatékony módszer a mesterséges intelligencia betanítására, de kevésbé feltétlenül árulja el, hogyan tanul az agy.

„Az agynak nincs külső tervezője vagy építésze. Az agynak önmagát kell megszerveznie. Tudnunk kell, hogyan képesek egyszerű szabályok megszervezni az agyat”, mondta Liao az MIT Newsnak.

Egyszerű szabályokból működő hálózat

A kutatócsoport több rétegből álló, véletlenszerűen összekapcsolt, neuronokra emlékeztető egységekből indult ki. Egy-egy rétegen belül minden egység ugyanazokat a szabályokat követte a kapcsolatok módosításakor. A hálózat így a részegységek kölcsönhatásából alakított ki működési mintákat.

A modell olyan egyszerű szabályokat használt, amelyekről feltételezik, hogy szerepet játszanak az agyi áramkörök tapasztalat alapú átalakulásában. Ilyen elv, hogy „az együtt aktiválódó neuronok összekapcsolódnak”: ha két kapcsolódó egység egyszerre aktív, megerősödik közöttük a kapcsolat.

A kutatók azt találták, hogy az ilyen szabályok alapján önszerveződő hálózat képes minták felismerésére és képek osztályozására. Tanulás közben önmaguktól létrejövő szerkezeti mintázatok alakultak ki, amelyek később működő áramkörök építőelemeiként szolgáltak. Ezek a mintázatok a kapcsolatok fokozatos módosításával, a modern gépi tanulásban is használt gradienslejtési optimalizáláshoz hasonló módon rendeződtek át.

A legtöbb modern mesterségesintelligencia-rendszer ezt az optimalizálást a hibaterjesztéses algoritmus, vagyis a back-propagation valamilyen változatával valósítja meg. Az idegtudósok szerint kevéssé valószínű, hogy az agy ugyanezt a módszert használja. Az MIT csapata az önszerveződő hálózatot olyan hálózatokkal vetette össze, amelyeket ezzel a megközelítéssel tanítottak. A saját szerveződésű modell hasonló teljesítményt nyújtott.

Kapcsolat az idegtudomány és a mesterséges intelligencia között

A kutatás célja elsősorban az agy tanulási mechanizmusainak jobb megértése. A tanulmány szerzői szerint az állatok tanulása közben az idegi kapcsolatok változását irányító szabályok az agy különböző részein eltérhetnek, és az agy fejlődésével is módosulhatnak. E szabályok feltárása az öregedés és egyes betegségek hatásainak megértéséhez is hozzájárulhat.

Liao szerint az eredmények a kommunikáció helyreállítását célzó agy-számítógép interfészek kutatásában is relevánsak lehetnek. Ilyen rendszerek az elvesztett nyelvi képességek pótlására vagy bénult páciensek neuroprotézisekkel történő vezérlésére szolgálhatnak. Ehhez a kutató szerint ismerni kell a neuronok közötti kölcsönhatások szabályait.

Tomaso Poggio, a kutatás egyik vezetője szerint jelentős előrelépést hozhatna, ha az agyban sikerülne megtalálni a back-propagation biológiai megfelelőjét. „Ha az általunk javasolt szinaptikus mintázatokat valóban az agy használja arra, amire a back-propagationt a mesterséges neurális hálózatok, akkor alapvető mechanizmusok szintjén erős kapcsolatot kapunk a mesterséges és a természetes hálózatok, vagyis a gépek és az agyak között”, mondta.

Liao hangsúlyozta, hogy az önszerveződő hálózat még nem feltétlenül ugyanúgy tanul, mint az agy. Szerinte azonban az önszerveződés fontos kiindulópont a biológiai hitelesség vizsgálatához. A megközelítés később olyan gépi tanulási rendszerek fejlesztéséhez is hozzájárulhat, amelyek jobb teljesítményt nyújtanak vagy emberibb módon működnek.