هوش مصنوعی از خواب مصنوعی برای یادگیری یک کار جدید بدون فراموش کردن آخرین مورد استفاده می کند

بسیاری از سیستم‌های هوش مصنوعی می‌توانند تنها در یک کار خوب شوند و در صورت یادگیری یک کار دیگر، همه چیزهایی را که می‌دانند فراموش کنند. نوعی خواب مصنوعی می تواند به جلوگیری از این اتفاق کمک کند

توسط جرمی هسو

هوش مصنوعی می‌تواند با شبیه‌سازی روشی که خواب به ما کمک می‌کند آموخته‌هایمان را در ساعات بیداری خود تثبیت کنیم، یاد بگیرد و به یاد بیاورد که چگونه چند کار را انجام دهد.

ماکسیم باژنوف از دانشگاه کالیفرنیا در سن دیگو می‌گوید: «در حال حاضر یک گرایش بزرگ برای ارائه ایده‌هایی از علوم اعصاب و زیست‌شناسی برای بهبود یادگیری ماشینی فعلی وجود دارد – و خواب یکی از این ایده‌ها است.

بسیاری از سیستم‌های هوش مصنوعی فقط می‌توانند بر یک مجموعه از وظایف کاملاً تعریف‌شده تسلط داشته باشند – آنها نمی‌توانند بعداً بدون از دست دادن همه چیزهایی که قبلاً آموخته‌اند، دانش بیشتری کسب کنند. پاول ساندا از آکادمی علوم چک در جمهوری چک می‌گوید: «مشکل زمانی پیش می‌آید که بخواهید سیستم‌هایی را توسعه دهید که توانایی یادگیری مادام‌العمر نامیده می‌شود. یادگیری مادام‌العمر راهی است که در آن انسان‌ها دانش را برای سازگاری و حل چالش‌های آینده جمع‌آوری می‌کنند.

باژنوف، ساندا و همکارانشان یک شبکه عصبی خاردار – شبکه‌ای متصل از نورون‌های مصنوعی که شبیه ساختار مغز انسان است – آموزش دادند تا دو کار متفاوت را بدون بازنویسی اتصالات آموخته‌شده از کار اول یاد بگیرند. آنها با تلاقی دوره های تمرین متمرکز با دوره های خواب مانند به این امر دست یافتند.

محققان خواب را در یک شبکه عصبی با فعال کردن نورون های مصنوعی شبکه در یک الگوی نویز شبیه سازی کردند. آنها همچنین مطمئن شدند که صدای الهام گرفته از خواب تقریباً با الگوی شلیک نورون ها در طول جلسات آموزشی مطابقت دارد – راهی برای راه اندازی مجدد و تقویت ارتباطات آموخته شده از هر دو کار.

این تیم ابتدا سعی کردند شبکه عصبی را در اولین کار آموزش دهند، سپس کار دوم را انجام دادند و در نهایت یک دوره خواب را در پایان اضافه کردند. اما آنها به سرعت متوجه شدند که این دنباله هنوز هم اتصالات شبکه عصبی را که از اولین کار یاد گرفته بودند پاک می کند.

اریک دلانوز از دانشگاه کالیفرنیا در سن دیگو می‌گوید در عوض، آزمایش‌های بعدی نشان داد که «تغییر سریع جلسات تمرین و خواب» در زمانی که هوش مصنوعی مشغول یادگیری کار دوم بود، مهم است. این به استانداردسازی ارتباطات از اولین ماموریت کمک کرد که در غیر این صورت فراموش می شد.

آزمایش‌ها نشان داده‌اند که چگونه یک شبکه عصبی spiking که به این روش آموزش داده شده است، می‌تواند یک عامل هوش مصنوعی را قادر سازد تا دو الگوی مختلف جستجوی ذرات غذایی شبیه‌سازی شده را بیاموزد و در عین حال از ذرات سمی اجتناب کند.

هاوا سیگلمن از دانشگاه امهرست ماساچوست می‌گوید: «چنین شبکه‌ای توانایی ترکیب دانش کسب‌شده متوالی را به روش‌های هوشمندانه دارد و آن یادگیری را در موقعیت‌های جدید به کار می‌گیرد – درست مانند حیوانات و انسان‌ها».

سیگلمن می‌گوید که شبکه‌های عصبی شیاردار، با طراحی پیچیده و الهام‌گرفته از طبیعت، هنوز برای استفاده گسترده عملی نشده‌اند، زیرا آموزش آن‌ها دشوار است. گام‌های بزرگ بعدی برای نشان دادن سودمندی این روش مستلزم نمایش وظایف پیچیده‌تر در شبکه‌های عصبی مصنوعی است که معمولاً توسط شرکت‌های فناوری استفاده می‌شود.

یکی از مزایای اتصال شبکه های عصبی این است که نسبت به سایر شبکه های عصبی کارآمدتر انرژی هستند. رایان گلدن از دانشگاه کالیفرنیا در سن دیگو می‌گوید: «من فکر می‌کنم در حدود یک دهه آینده، نوعی حرکت عظیم برای حرکت به سمت فناوری شبکه‌ای روبه‌رشدتر وجود خواهد داشت. “خوب است که این چیزها را زودتر کشف کنیم.”

مرجع مجله: زیست شناسی محاسباتی PLOSDOI: 10.1371 / journal.pcbi.1010628