Maskininlärning, introducerades för 70 år sedan, bygger på bevis på inlärningsdynamiken i hjärnan. Med hjälp av hastigheten hos moderna datorer och stora datamängder, algoritmer för djupinlärning har nyligen gett resultat som är jämförbara med de mänskliga experter inom olika tillämpliga områden, men med olika egenskaper som ligger långt från nuvarande kunskap om lärande inom neurovetenskap.

Med hjälp av avancerade experiment på neuronala kulturer och storskaliga simuleringar, en grupp forskare vid Bar-Ilan University i Israel har demonstrerat en ny typ av ultrasnabba artificiell intelligens-algoritmer – baserade på den mycket långsamma hjärndynamiken – som överträffar inlärningshastigheter som uppnåtts hittills med state-of-the-art inlärningsalgoritmer.

I en artikel som publicerades idag i tidskriften Vetenskapliga rapporter , forskarna bygger om bron mellan neurovetenskap och avancerade algoritmer för artificiell intelligens som har lämnats praktiskt taget oanvändbar i nästan 70 år.

"Den nuvarande vetenskapliga och tekniska synpunkten är att neurobiologi och maskininlärning är två distinkta discipliner som utvecklats oberoende av varandra, " sa studiens huvudförfattare, Prof. Ido Kanter, vid Bar-Ilan Universitys institution för fysik och Gonda (Goldschmied) Multidisciplinary Brain Research Center. "Frånvaron av förväntat ömsesidigt inflytande är förbryllande."

"Antalet neuroner i en hjärna är mindre än antalet bitar i en typisk skivstorlek för moderna persondatorer, och hjärnans beräkningshastighet är som sekundvisaren på en klocka, ännu långsammare än den första datorn som uppfanns för över 70 år sedan, " fortsatte han. "Dessutom, hjärnans inlärningsregler är mycket komplicerade och avlägsna från principerna för inlärningssteg i nuvarande artificiell intelligensalgoritmer, " tillade prof. Kanter, vars forskargrupp inkluderar Herut Uzan, Shira Sardi, Amir Goldental och Roni Vardi.

Hjärndynamik överensstämmer inte med en väldefinierad klocka synkroniserad för alla nervceller, eftersom det biologiska systemet måste klara av asynkrona ingångar, när den fysiska verkligheten utvecklas. "När man tittar framåt ser man omedelbart en ram med flera objekt. Till exempel, när man kör ser man bilar, övergångsställen, och vägmärken, och kan enkelt identifiera deras tidsmässiga ordning och relativa positioner, " sa prof. Kanter. "Biologisk hårdvara (inlärningsregler) är utformad för att hantera asynkrona ingångar och förfina deras relativa information." traditionella algoritmer för artificiell intelligens är baserade på synkrona ingångar, följaktligen ignoreras den relativa timingen för olika ingångar som utgör samma ram typiskt.

Den nya studien visar att ultrasnabba inlärningshastigheter är förvånansvärt identiska för små och stora nätverk. Därav, säger forskarna, "nackdelen med den komplicerade hjärnans inlärningsschema är faktiskt en fördel." En annan viktig upptäckt är att inlärning kan ske utan inlärningssteg genom självanpassning enligt asynkrona ingångar. Denna typ av inlärning-utan-inlärning sker i dendriterna, flera terminaler av varje neuron, som nyligen observerats experimentellt. Dessutom, nätverksdynamik under dendritisk inlärning styrs av svaga vikter som tidigare ansågs vara obetydliga.

Idén om effektiva djupinlärningsalgoritmer baserade på den mycket långsamma hjärnans dynamik erbjuder en möjlighet att implementera en ny klass av avancerad artificiell intelligens baserad på snabba datorer. Det kräver att bron återupptas från neurobiologi till artificiell intelligens och, som forskargruppen konstaterar, "Insikter om grundläggande principer i vår hjärna måste återigen stå i centrum för framtida artificiell intelligens."