Un equipo de investigación internacional sugiere que la IA podría volverse aún más eficiente y confiable si aprende a pensar más como gusanos.
(sincronizado)-La IA moderna ha producido modelos que superan el rendimiento humano en innumerables tareas. Ahora, un equipo de investigación internacional sugiere que la IA podría volverse aún más eficiente y confiable si aprende a pensar más como gusanos.
En un artículo publicado recientemente en la revista Nature Machine Intelligence , el equipo de MIT CSAIL, TU Wien en Viena e IST Austria propone un sistema de inteligencia artificial que imita modelos biológicos. El sistema se desarrolló a partir de los cerebros de animales diminutos, como las lombrices intestinales, y puede controlar un vehículo utilizando solo una pequeña cantidad de neuronas artificiales.
Los investigadores dicen que el sistema tiene ventajas decisivas sobre otros modelos de aprendizaje profundo porque maneja mucho mejor la entrada ruidosa y, debido a su simplicidad, sus operaciones se pueden explicar en detalle, aliviando las preocupaciones de la «caja negra» que afectan a los modelos profundos de IA actuales.
Explica TU Wien Cyber-físicas sistemas con el profesor Radu Grosu en una prensa de proyecto de liberación : “Durante años, hemos estado investigando lo que podemos aprender de la naturaleza para mejorar el aprendizaje profundo. El nematodo C. elegans, por ejemplo, vive su vida con un número asombrosamente pequeño de neuronas y todavía muestra patrones de comportamiento interesantes. Esto se debe a la forma eficiente y armoniosa en que el sistema nervioso del nematodo procesa la información ”.
«La naturaleza nos muestra que todavía hay mucho margen de mejora», añade la directora de CSAIL del MIT, Daniela Rus, quien dice que el objetivo de los investigadores era «reducir masivamente la complejidad y desarrollar un nuevo tipo de arquitectura de red neuronal».
El equipo desarrolló nuevos modelos matemáticos de neuronas y sinapsis y combinó principios de computación neuronal inspirados en el cerebro y arquitecturas de aprendizaje profundo escalables para construir controladores neurales compactos para compartimentos específicos de tareas de un sistema de control de vehículos autónomo de pila completa.
El sistema propuesto consta de dos partes principales. La entrada de una cámara es procesada primero por una red neuronal convolucional (CNN), que extrae características estructurales de los píxeles, decide qué partes de la imagen de la cámara son interesantes e importantes, luego pasa señales a la parte crucial de la red: una política de circuito neuronal ( NCP) sistema de control que dirige el vehículo. El NCP consta de solo 19 neuronas.
El equipo eligió una tarea de prueba estándar para automóviles autónomos: mantenerse en un carril. Realizaron las pruebas utilizando un vehículo equipado con una cámara con el sistema que recibe imágenes de la carretera y decide si se debe conducir hacia la derecha o hacia la izquierda.
Los sistemas de vehículos autónomos funcionales de última generación suelen utilizar redes convolucionales como columna vertebral con muchas redes adicionales ascendentes para tareas específicas. Los investigadores encontraron que NCP logró resultados comparables con modelos SOTA anteriores, incluidos CNN, CT-RNN y LSTM en términos de error cuadrado de entrenamiento y error cuadrado de prueba. Además, una red NCP de pila completa es 63 veces más pequeña que la red SOTA CNN, y la red de control de NCP es 970 veces más escasa que la de LSTM y 241 veces más escasa que CT-RNN.
Los investigadores dicen que la interpretabilidad y la robustez son las dos principales ventajas de su modelo propuesto. Además, dicen que estos nuevos métodos pueden reducir el tiempo de entrenamiento y hacer posible implementar la IA en sistemas relativamente simples. Esperan que sus hallazgos animen a la comunidad de la IA a considerar los principios de la computación en los sistemas nerviosos biológicos como un recurso valioso para crear una IA interpretable de alto rendimiento.
El documento Políticas de circuitos neuronales que habilitan la autonomía auditable está en Nature . El código está disponible en el proyecto GitHub .