دانشمندان با استفاده از آزمایش های پیشرفته در کشت های عصبی و شبیه سازی هایی در مقیاس بزرگ ، نوع جدیدی از الگوریتم های هوش مصنوعی فوق سریع را نشان داده اند – که بر اساس پویایی بسیار کند مغز است - که از میزان یادگیری که تا به امروز توسط الگوریتم های یادگیری پیشرفته به دست آمده ، بهتر است.
 
یادگیری ماشینی ، که 70 سال پیش معرفی شده است ، مبتنی بر شواهد پویایی یادگیری در مغز ما است. با استفاده از سرعت رایانه های مدرن و مجموعه های بزرگ داده ، الگوریتم های یادگیری عمیق اخیراً نتایجی را تولید کردند قابل مقایسه با نتایج متخصصان انسانی در زمینه های مختلف کاربردی ، اما با ویژگی های مختلفی که از دانش فعلی یادگیری در علوم اعصاب فاصله دارد.
 
با استفاده از آزمایش های پیشرفته در کشت های عصبی و شبیه سازی هایی در مقیاس بزرگ ، گروهی از دانشمندان در دانشگاه بار – ایلان ، نوع جدیدی از الگوریتم های هوش مصنوعی فوق سریع را نشان داده اند – که بر اساس پویایی بسیار کند مغز است - که از میزان یادگیری که تا به امروز توسط الگوریتم های یادگیری پیشرفته به دست آمده ، بهتر است.
 
محققان در مقاله ای در مجله گزارش های علمی ، پل میان علوم عصبی و الگوریتم های هوش مصنوعی پیشرفته را بازسازی می کنند که تقریباً 70 سال است که عملاً بلا استفاده رها مانده است.
 
مؤلف راهبر مطالعه ، پروفسور ایدو کانتر ، از دانشکده فیزیک دانشگاه بار - ایلان ، و مرکز تحقیقات مغز بین رشته ای گوندا (گلدشمید) ، گفت: "دیدگاه علمی و فناوری فعلی این است که نوروبیولوژی و یادگیری ماشینی دو رشته مجزا هستند که به طور مستقل پیشرفت می کنند." "عدم وجود تأثیر متقابل مورد انتظار گیج کننده است."
 
وی ادامه داد: "تعداد نورون های مغز از تعداد بیت های اندازه دیسک معمولی رایانه های شخصی مدرن کمتر است و سرعت محاسباتی مغز مانند عقربه ثانیه شمار در یک ساعت دیواری است ، حتی کندتر از اولین رایانه ای که بیش از 70 سال قبل اختراع شد." پروفسور کانتر که تیم تحقیقاتی وی شامل هروت اوزان ، شیرا ساردی ، امیر گلدنتال و رونی وردی است ، افزود: "علاوه بر این ، قوانین یادگیری مغز بسیار پیچیده است و از اصول مراحل یادگیری در الگوریتم های هوش مصنوعی کنونی فاصله دارد."
 
دینامیک مغز با یک ساعت خوش تعریف همزمان شده برای همه سلولهای عصبی مطابقت ندارد ، برای این که طرح بیولوژیکی لازم است همان طور که واقعیت فیزیکی توسعه می یابد از عهده ضربه های ناهمزمان برآید. پروفسور کانتر گفت: "هنگامی که کسی جلو را نگاه می کند بلافاصله یک قاب را با اشیاء مختلف مشاهده می کند. برای مثال هنگام رانندگی ، فرد خودروها ، عابران پیاده در حال عبور از خیابان ، و علائم جاده را مشاهده می کند و به راحتی می تواند ترتیب زمانی و موقعیت های نسبی آنها را تشخیص دهد." "سخت افزار بیولوژیکی (قواعد یادگیری) برای مقابله با ورودی های ناهمزمان و پالایش اطلاعات نسبی آنها طراحی شده است." در مقابل ، الگوریتم های هوش مصنوعی سنتی مبتنی بر ورودی های همزمان هستند ، از این رو زمان بندی نسبی ورودی های مختلف تشکیل دهنده همان قاب عموماً نادیده گرفته می شود.
 
مطالعه جدید نشان می دهد که نرخ های یادگیری فوق سریع به طور شگفت آوری برای شبکه های کوچک و بزرگ یکسان است. از این رو ، محققان می گویند ، "عدم مزیت طرح یادگیری مغز پیچیده در واقع یک مزیت است." یافته مهم دیگر این است که یادگیری می تواند بدون مراحل یادگیری از طریق خود سازگاری بر طبق ورودی های ناهمزمان رخ دهد. این نوع از یادگیری - بدون - یادگیری در دندریت ها ، که شاخه های متعدد سلول های عصبی هستند ، همانطور که اخیراً به طور تجربی مشاهده شده رخ می دهد. علاوه بر این ، پویایی های شبکه تحت یادگیری از نوع دندریتیک توسط وزن های ضعیف که قبلاً ناچیز تلقی می شدند اداره می شود.
 
ایده الگوریتم های یادگیری عمیق کارآمد مبتنی بر پویایی بسیار کند مغز فرصتی را برای پیاده سازی کلاس جدیدی از هوش مصنوعی پیشرفته مبتنی بر رایانه های سریع فراهم می کند. "دیدگاه علمی و فناوری فعلی این است که نوروبیولوژی و یادگیری ماشینی دو رشته مجزا هستند که به طور مستقل پیشرفت می کنند." "عدم وجود تأثیر متقابل مورد انتظار گیج کننده است." این امر خواستار به کار گیری مجدد این پل از عصب شناسی به هوش مصنوعی است و همانطور که گروه تحقیق نتیجه می گیرد ، "بینش های اصول اساسی مغز ما لازم است یک بار دیگر در مرکز هوش مصنوعی آینده باشد."
 

محققان نشان می دهند که الگوریتم های یادگیری عمیق - شکلی از هوش مصنوعی - به طور قابل توجهی بهتر از یک روش متداول مورد استفاده برای آشکار سازی هستند هنگامی که رادارهای دور از ساحل در حال کار هستند ، که به طور بالقوه می تواند برخی از عملیات به اشتراک گذاری طیف را بهبود ببخشد.
 
در فعالیت فعلی ، سیگنال های راداری از کشتی های موجود در دریا با استفاده از ردیاب های خودکار شناسایی می شوند که به دنبال افزایش انرژی در طیف الکترومغناطیسی می گردند. با این وجود ، این آشکارسازهای انرژی به اندازه کافی تمایز قائل نمی شوند تا به طور استوار آن را به درستی دریافت کنند ، گاهی اوقات سایر سیگنال های RF را به عنوان رادار اشتباه می گیرند یا در کل سیگنال های راداری را گم می کنند.
 
منبع: دانشگاه بار-  ایلان و انستیتوی ملی استاندارد و فناوری (NIST)