Ett internationellt team av forskare från Eindhovens tekniska universitet, University of Texas i Austin, och University of Derby, har utvecklat en revolutionerande metod som kvadratiskt accelererar träningsalgoritmer för artificiell intelligens (AI). Detta ger full AI-kapacitet till billiga datorer, och skulle göra det möjligt för superdatorer på ett till två år att utnyttja artificiella neurala nätverk som kvadratiskt överstiger möjligheterna med dagens artificiella neurala nätverk. Forskarna presenterade sin metod den 19 juni i tidskriften Naturkommunikation .

Artificiella neurala nätverk (eller ANN) är själva hjärtat av AI-revolutionen som formar alla aspekter av samhället och tekniken. Men de ANN som vi har kunnat hantera hittills är inte i närheten av att lösa mycket komplexa problem. De allra senaste superdatorerna skulle kämpa med ett nätverk med 16 miljoner neuroner (ungefär lika stor som en grodhjärna), medan det skulle ta över ett dussin dagar för en kraftfull stationär dator att träna bara 100, 000-neuronnätverk.

Personlig medicin

Den föreslagna metoden, kallad Sparse Evolutionary Training (SET), hämtar inspiration från biologiska nätverk och i synnerhet neurala nätverk som har sin effektivitet tack vare tre enkla egenskaper:nätverk har relativt få anslutningar (gleshet), få nav (skalfrihet) och korta stigar (small-worldness). Arbetet redovisas i Naturkommunikation visar fördelarna med att gå bort från helt anslutna ANN:er (som görs i vanlig AI), genom att införa en ny utbildningsprocedur som utgår från ett slumpmässigt, gles nätverk och iterativt utvecklas till ett skalfritt system. Vid varje steg, de svagare anslutningarna elimineras och nya länkar läggs till slumpmässigt, liknande en biologisk process som kallas synaptisk krympning.

Den slående accelerationseffekten av denna metod har enorm betydelse, eftersom det kommer att möjliggöra tillämpningen av AI på problem som för närvarande inte går att lösa på grund av det stora antalet parametrar. Exempel inkluderar prisvärd personlig medicin och komplexa system. I komplexa, snabbt föränderliga miljöer som smarta nät och sociala system, där frekvent omskolning under flygning av en ANN krävs, förbättringar av inlärningshastigheten (utan att kompromissa med noggrannheten) är väsentliga. Dessutom, eftersom sådan utbildning kan uppnås med begränsade beräkningsresurser, den föreslagna SET-metoden kommer att föredras för de inbäddade intelligenserna för de många distribuerade enheterna som är anslutna till ett större system.

Grodhjärna

Således, konkret, med SET kan alla användare bygga på sin egen bärbara dator ett artificiellt neuralt nätverk med upp till 1 miljon neuroner, medan med state-of-the-art metoder var detta endast reserverat för dyra datormoln. Det betyder inte att molnen inte är användbara längre. Dom är. Föreställ dig vad du kan bygga på dem med SET. För närvarande de största artificiella neurala nätverken, byggd på superdatorer, har storleken på en grodhjärna (cirka 16 miljoner neuroner). Efter att några tekniska utmaningar har passerats, med SET, vi kan bygga på samma superdatorer artificiella neurala nätverk nära den mänskliga hjärnans storlek (cirka 80 miljarder neuroner).

Huvudförfattare Dr. Decebal Mocanu:"Och, ja, vi behöver så extremt stora nätverk. Det visades, till exempel, att artificiella neurala nätverk är bra för att upptäcka cancer från mänskliga gener. Dock, kompletta kromosomer är för stora för att passa i toppmoderna artificiella neurala nätverk, men de kunde passa in i ett 80 miljarder neuronnätverk. Detta faktum kan hypotetiskt leda till bättre sjukvård och prisvärd personlig medicin för oss alla."