Человеческий мозг отлично справляется с обилием сенсорной информации — например, с распознаванием запаха томатного соуса при входе в оживленный ресторан, — но системы искусственного интеллекта сталкиваются с большими потоками нерегулируемой входной информации.
Используя мозг в качестве модели, исследователи из Лаборатории вычислительной физиологии кафедры психологии Корнеллского университета и Института искусственного интеллекта для науки Корнеллского университета разработали стратегию для систем искусственного интеллекта по обработке обонятельных и других сенсорных данных.
Мозг человека (и других млекопитающих) эффективно организует неконтролируемый вход из внешнего мира в надежные представления, которые мы можем понять, запомнить и использовать для создания долгосрочных связей.
Используя эти мозговые механизмы в качестве руководства, исследователи разрабатывают низкоэнергетические, эффективные роботизированные системы, вдохновленные биологией и полезные для широкого спектра потенциальных приложений.
«Мозг совершает удивительные подвиги познания в реальном времени и с поразительно низким потреблением энергии. Это включает в себя сортировку большого количества сенсорной информации — часто скрытой, частично заблокированной или искаженной — для определения важной информации и ее интерпретации на основе контекстных сигналов и предыдущего опыта», — сказал Томас Клеланд, профессор психологии в Колледже искусств и наук (A&S).
«В принципе, искусственные физические системы должны быть способны делать то же самое, как только мы поймем, как это работает».
В этом исследовании, опубликованном в журнале Scientific Reports совместно с Клеландом в качестве соавтора, исследователи освещают ключевые аспекты того, как мозг обрабатывает сенсорную информацию, как для понимания нейронных вычислений, так и для создания искусственных устройств с новыми возможностями.
Цель этого «нейроморфного дизайна» — сделать устройства ИИ такими же эффективными и экономичными, как мозг.
Это был бы колоссальный шаг вперед в дизайне, сказал постдокторант Рой Мойал, первый автор и соавтор исследования, но предстоит проделать большую работу, прежде чем это будет реализовано.
«Современное состояние машинного обучения основано на очень больших базовых моделях, для обучения и работы с которыми требуются значительные вычислительные мощности.
«Вместо этого представьте, что вы можете развертывать легкие, автономные агенты ИИ на небольших, специально созданных устройствах, которые могли бы, например, обнаруживать опасные материалы.
Они могли бы разумно адаптироваться к тому, что видят на месте, быстро, без отправки потенциально конфиденциальных данных по сети», — сказал Мойал, чья долгосрочная исследовательская цель заключается в разработке нейронных сетей, вдохновленных мозгом, которые могут превзойти современные решения ИИ по своим возможностям обучения, энергоэффективности и форм-фактору.
Чтобы реализовать эту идею, исследователям необходимо более детальное понимание того, как обонятельная система обрабатывает входящие данные.
По словам Клеланда, ранняя обонятельная система включает обонятельный эпителий, представляющий собой слой нейронов, которые воспринимают химические вещества в носовой полости; обонятельную луковицу — область мозга, в которую напрямую проецируются хемосенсорные нейроны; и несколько нижележащих областей мозга, которые получают сенсорную информацию от обонятельной луковицы, а также взаимодействуют с луковицей, формируя ее работу.
В этом исследовании ученые из Корнелла выяснили, как именно внешние слои биологической системы — обонятельный эпителий и внешний слой обонятельной луковицы — выполняют вычисления, которые «создают барьер между миром и мозгом», — сказал Клеланд.
Клеланд отметил, что поток сенсорной информации, например запахи из ресторана, необходимо организовать, ограничить и преобразовать в такую форму, с которой глубокая луковица и нижележащие области смогут справиться, не разрушаясь, и не теряя никакой (или большей) информации, которую предоставляют сенсорные данные.
Исследование фокусируется на этих начальных вычислениях обонятельной луковицы, которая сама по себе имеет два вычислительных слоя.
«Мы думаем о луковице как об интерфейсе между мозгом и миром для этой сенсорной модальности», — сказал Клеланд.
«Глубокий слой луковицы динамически сложен и в значительной степени посвящен изучению запахов.
Но чтобы работать таким образом, ему нужно, чтобы все его входы были хорошо организованы». Искусственным системам также необходимо, чтобы сложный сенсорный вход из мира был упакован и организован таким образом, чтобы сохранить всю критическую информацию.
Это справедливо в установках, где искусственные системы используют химические датчики для «обоняния», а также в системах, которые обнаруживают другой сенсорный вход. Работа исследователей над обонятельной системой также дала теоретические идеи относительно кодирования спайк-фазы в мозге — метода, с помощью которого нейроны передают информацию, жестко регулируя синхронизацию своих коммуникационных импульсов.
Эта общая стратегия сохранения энергии, как теперь ясно, может также использоваться для стабильного обучения и регуляризации в практических сценариях, где данные могут быть зашумленными и скудными.
«Это наводит на интересные параллели с недавней работой по обучению с учетом квантования в машинном обучении и искусственном интеллекте, которую мы сейчас изучаем.
Мы усердно работали над реализацией и оптимизацией обобщенного алгоритма, основанного на этих принципах», — сказал Мойал.
«Вам не нужно ничего знать о мире, чтобы этот алгоритм работал — он упорядочит все, что его датчики могут закодировать», — сказал Клеланд. «Но если вы действительно знаете что-то о мире, вы можете еще больше улучшить производительность».
Хотя это исследование касается схемы обонятельной луковицы, его результаты не ограничиваются обонянием, сказал Клеланд. Это общий механизм регуляризации для любого типа данных, имеющих схожую общую структуру, что делает потенциальные приложения в робототехнике или другой обработке ИИ довольно широкими.
В число авторов вошли Кайрус Мама ’21 и Мэтью Эйнхорн, Лаборатория вычислительной физиологии (A&S), а также Айон Бортакур, Индийский технологический институт, Гувахати.
Рубрика: Наука и Hi-Tech. Читать весь текст на android-robot.com.