Under de senaste decennierna har artificiell intelligens har visat sig vara mycket bra på att uppnå exceptionella mål på flera områden. Schack är en av dem:1996, för första gången, datorn Deep Blue slog en mänsklig spelare, schackmästaren Garry Kasparov. En ny forskning visar nu att hjärnans strategi för att lagra minnen kan leda till ofullkomliga minnen, men i sin tur, låter den lagra fler minnen, och med mindre krångel än AI. Den nya studien, utförd av SISSA -forskare i samarbete med Kavli Institute for Systems Neuroscience &Center for Neural Computation, Trondheim, Norge, har just publicerats i Fysiska granskningsbrev .

Neurala nätverk, verklig eller konstgjord, lär dig genom att justera kopplingarna mellan neuroner. Gör dem starkare eller svagare, vissa neuroner blir mer aktiva, några mindre, tills ett aktivitetsmönster dyker upp. Detta mönster är vad vi kallar 'ett minne'. AI -strategin är att använda komplexa långa algoritmer, som iterativt ställer in och optimerar anslutningarna. Hjärnan gör det mycket enklare:varje koppling mellan neuroner förändras bara baserat på hur aktiva de två neuronerna är samtidigt. Jämfört med AI -algoritmen, detta hade länge ansetts kunna möjliggöra lagring av färre minnen. Men, när det gäller minneskapacitet och hämtning, denna visdom är till stor del baserad på att analysera nätverk utifrån en grundläggande förenkling:att neuroner kan betraktas som binära enheter.

Den nya forskningen, dock, visar annars:det färre antalet minnen som lagras med hjärnstrategin beror på ett sådant orealistiskt antagande. När den enkla strategin som hjärnan använder för att ändra anslutningarna kombineras med biologiskt troliga modeller för enstaka neuronsvar, att strategin fungerar lika bra som, eller ännu bättre, än AI -algoritmer. Hur kan detta vara fallet? Paradoxalt, svaret är att införa fel:när ett minne effektivt hämtas kan det vara identiskt med den ursprungliga ingången som ska memoreras eller korreleras till det. Hjärnstrategin leder till att minnen återfinns som inte är identiska med den ursprungliga ingången, tysta aktiviteten hos de neuroner som bara knappt är aktiva i varje mönster. De tysta neuronerna, verkligen, spelar ingen avgörande roll för att skilja mellan de olika minnena som lagras i samma nätverk. Genom att ignorera dem, neurala resurser kan fokuseras på de neuroner som spelar roll i en input-to-memoriserad och möjliggör en högre kapacitet.

Övergripande, denna forskning belyser hur biologiskt trovärdiga självorganiserade inlärningsförfaranden kan vara lika effektiva som långsamma och neuralt osannolika träningsalgoritmer.