AI kommer att tjäna till att utveckla ett nätverkskontrollsystem som inte bara upptäcker och reagerar på problem utan också kan förutsäga och undvika dem. Upphovsman:CC0 Public Domain
Bilar som kan köra självständigt har nyligen tagit rubriker. Inom en snar framtid, maskiner som kan lära sig självständigt kommer att bli alltmer närvarande i våra liv. Hemligheten för effektivt lärande för dessa maskiner är att definiera en iterativ process för att kartlägga utvecklingen av hur nyckelaspekter av dessa system förändras över tid.
I en studie publicerad i EPJ B , Agustín Bilen och Pablo Kaluza från Universidad Nacional de Cuyo, Mendoza, Argentina visar att dessa smarta system kan utvecklas autonomt för att utföra en specifik och väldefinierad uppgift över tid. Ansökningar sträcker sig från nanoteknik till biologiska system, såsom biologiska signaltransduktionsnät, genetiska regleringsnätverk med adaptiva svar, eller genetiska nätverk där uttrycksnivån för vissa gener i ett nätverk oscillerar från ett tillstånd till ett annat.
Dessa autonoma system behöver inte en extern handledare. De rapporterar inte heller till en central enhet som är utformad för att ändra vad systemet måste lära sig beroende på deras prestanda. För att öka deras autonomi, författarna har byggt in fördröjd dynamik och en återkopplingsslinga med systemets prestanda. Den fördröjda dynamiken ger information om systemets historia, därmed presenteras de tidigare relationerna mellan dess struktur och prestanda. I tur och ordning, återkopplingsslingan ger information om systemets faktiska prestanda när det gäller hur nära det är till den önskade uppgiften.
Forskarna tillämpade först framgångsrikt sitt tillvägagångssätt på ett neuralt nätverk som ansvarar för att klassificera flera mönster, vilket gav 66% robusthet. Dessa insikter kan tillämpas t.ex. i analog elektronik, där en hårdvara kan lära sig en uppgift autonomt utan en central bearbetningsenhet eller extern kontroll. Teamet testade också sin lösning på ett system med fasoscillatorer, vilket är intressant eftersom populationerna av sådana oscillatorer visar några anmärkningsvärda synkroniseringsegenskaper. I sådana fall, autonomt lärande hjälper till att undvika de inneboende fluktuationer som normalt finns i sådana system.
