Inspirerad av den mänskliga hjärnans funktion och baserad på en biologisk mekanism som kallas neuromodulation, det tillåter intelligenta agenter att anpassa sig till okända situationer

Artificiell intelligens (AI) har möjliggjort utvecklingen av högpresterande automatiska inlärningstekniker de senaste åren. Dock, dessa tekniker tillämpas ofta uppgift för uppgift, vilket innebär att en intelligent agent utbildad för en uppgift kommer att prestera dåligt på andra uppgifter, till och med väldigt lika. För att övervinna detta problem, forskare vid universitetet i Liège (ULiège) har utvecklat en ny algoritm baserad på en biologisk mekanism som kallas neuromodulation. Denna algoritm gör det möjligt att skapa intelligenta agenter som kan utföra uppgifter som inte påträffas under träning. Detta nya och exceptionella resultat presenteras denna vecka i tidningen PLOS ETT .

Trots de enorma framstegen inom AI-området de senaste åren, vi är fortfarande väldigt långt ifrån mänsklig intelligens. Verkligen, om nuvarande AI-tekniker tillåter att utbilda datoragenter att utföra vissa uppgifter bättre än människor när de är utbildade specifikt för dem, prestandan hos samma agenter är ofta mycket nedslående när de utsätts för förhållanden (även något) som skiljer sig från de som upplevs under träning.

Människan är kapabel att anpassa sig till nya situationer mycket effektivt genom att använda de färdigheter hon har förvärvat under hela sitt liv. Till exempel, ett barn som har lärt sig att gå i ett vardagsrum lär sig snabbt att gå i en trädgård också. I ett sådant sammanhang, att lära sig gå är förknippat med synaptisk plasticitet, som modifierar kopplingarna mellan neuroner, medan den snabba anpassningen av gångfärdigheter som lärs in i vardagsrummet till de som behövs för att gå i trädgården är förknippad med neuromodulering. Neuromodulering modifierar input-output-egenskaperna hos neuronerna själva via kemiska neuromodulatorer.

Synaptisk plasticitet är grunden för alla de senaste framstegen inom AI. Dock, inget vetenskapligt arbete har hittills föreslagit ett sätt att introducera en neuromodulationsmekanism i artificiella neurala nätverk. Detta ganska exceptionella resultat, beskrivs denna vecka i journalen PLOS ETT , är resultatet av ett extremt fruktbart samarbete mellan neurovetare och artificiell intelligensforskare vid universitetet i Liège som utvecklar intelligenta algoritmer:två Ph.D. studenter, Nicolas Vecoven och Antoine Wehenkel, samt två professorer, Damien Ernst (specialist på artificiell intelligens) och Guillaume Drion (neuroforskare).

Dessa ULiège-forskare har utvecklat en helt original artificiell neurala nätverksarkitektur, införa en interaktion mellan två undernätverk. Den första tar hänsyn till all kontextuell information om uppgiften som ska lösas och, på grundval av denna information, neuromodul det andra undernätverket på samma sätt som hjärnans kemiska neuromodulatorer. Tack vare neuromodulering, detta andra undernätverk, som bestämmer de åtgärder som ska utföras av den intelligenta agenten, kan därför extremt snabbt anpassas till den aktuella uppgiften. Detta gör det möjligt för agenten att effektivt lösa nya uppgifter.

Denna innovativa arkitektur har framgångsrikt testats på klasser av navigeringsproblem för vilka anpassning är nödvändig. Särskilt, agenter utbildade att röra sig mot ett mål, samtidigt som man undviker hinder, kunde anpassa sig till situationer där deras rörelse stördes av extremt varierande vindriktningar.

Prof. Damien Ernst säger, "Det nya med denna forskning är att för första gången, kognitiva mekanismer som identifierats inom neurovetenskap hittar algoritmiska tillämpningar i ett multi-tasking sammanhang. Denna forskning öppnar perspektiv på utnyttjandet av neuromodulering inom AI, en nyckelmekanism i den mänskliga hjärnans funktion."