این ممکن است شوک والدین باشد که با هرج و مرج روزانه زندگی کودک نو پا روبرو هستند ، اما پیچیدگی مغز در حدود سه سالگی به اوج خود می رسد.
تعداد اتصالات بین نورونها در چند سال اول ما تقریبا منفجر می شود. بعد از آن مغز قسمتهای بلااستفاده از این شبکه الکتریکی وسیع را هرس می کند و تا زمانی که به بزرگسالی می رسیم تقریباً نیمی از این تعداد را لاغر می کنیم. تأمین بیش از حد مغز کودک نوپا به ما این امکان را می دهد که زبان را بدست آوریم و مهارت های حرکتی خوبی ایجاد کنیم. اما آنچه ما استفاده نمی کنیم ، از دست می دهیم.
اکنون این سر و صدا و پیچیدگی پیچیده بیولوژیکی ، تیمی از محققان پرینستون را به ایجاد الگویی جدید برای هوش مصنوعی ، ایجاد برنامه هایی که مطابق یا فراتر از استانداردهای صنعت برای صحت استفاده از تنها بخشی از انرژی باشد ، القا کرده است . در یک جفت مقاله که در اوایل سال جاری منتشر شد ، محققان نشان دادند که چگونه با یک طراحی ساده برای یک شبکه AI شروع کنیم ، شبکه را با اضافه کردن نورون ها و اتصالات مصنوعی رشد دهیم ، سپس بخش های بلااستفاده را هرس می کنیم و یک محصول نهایی لاغر اما بسیار مؤثر را رها می کنیم.
استاد مهندسی برق نیرو جیرا گفت: "رویکرد ما همان چیزی است که ما آن را الگوی رشد هرس می نامیم." "این شبیه به کارهایی است که مغز از زمانی که کودک می شویم از کودک می گذرد ، وقتی کودک نوپا هستیم." در سال سوم ، مغز انسان شروع به قطع ارتباط بین سلولهای مغزی می کند. این روند تا بزرگسالی ادامه می یابد ، به طوری که مغز کاملاً توسعه یافته تقریباً در نیمی از اوج سیناپسی خود عمل می کند.
جه گفت: "مغز بالغ به هر نوع آموزشی که ما ارائه داده ایم ، تخصصی است." "این برای یادگیری با هدف های عمومی به عنوان مغز کودک نوپا چندان مناسب نیست."
رشد و هرس در نرم افزاری حاصل می شود که به بخشی از قدرت محاسباتی نیاز دارد و بنابراین از انرژی بسیار کمتری استفاده می کند تا پیش بینی های یکسانی در مورد جهان انجام دهد. محدود کردن مصرف انرژی برای بدست آوردن این نوع هوش مصنوعی پیشرفته - موسوم به یادگیری ماشین - بر روی دستگاه های کوچک مانند تلفن و ساعت بسیار مهم است.
"Xiaoliang Dai ، دانشجوی سابق فارغ التحصیل پرینستون و نویسنده اول در این دو مقاله می گوید:" اجرای مدل های یادگیری ماشین به صورت محلی بسیار مهم است زیرا انتقال [به ابر] انرژی زیادی می گیرد. دای اکنون یک دانشمند تحقیق در فیس بوک است.
در مطالعه اول ، محققان مبانی یادگیری ماشینی را بررسی کردند - ساختارهای کد انتزاعی به نام شبکه های عصبی مصنوعی . این تیم با بهره گیری از الهام از رشد اولیه کودکی ، یک ابزار سنتز شبکه عصبی (NeST) طراحی کرد که چندین شبکه عصبی برتر را از ابتدا ایجاد کرد ، بطور خودکار با استفاده از مدلهای ریاضی پیچیده که برای اولین بار در دهه 1980 توسعه یافت.
NeST تنها با تعداد کمی از نورون ها و اتصالات مصنوعی شروع می شود ، با اضافه کردن تعداد بیشتری از نورون ها و اتصالات به شبکه ، پیچیدگی را افزایش می دهد و هنگامی که یک معیار عملکرد معین را برآورده می کند ، با گذشت زمان و آموزش باریک می شود. محققان قبلی از استراتژی های هرس مشابه استفاده کرده بودند ، اما ترکیب رشد هرس - حرکت از "مغز کودک" به "مغز کودک نو پا" و لاغر شدن به سمت " مغز بالغ " - جهشی از تئوری قدیمی به نمایش جدید را نشان می داد.
مقاله دوم ، که شامل همکاران در فیس بوک و دانشگاه کالیفرنیا-برکلی، معرفی چارچوب به نام آفتابپرست که شروع می شود با نتایج مورد نظر و رو به عقب برای یافتن ابزار مناسب برای این کار. با وجود صدها هزار تنوع در جنبه های خاص یک طرح ، مهندسان با پارادوکسی از انتخاب روبرو هستند که فراتر از ظرفیت انسان است. به عنوان مثال: معماری برای توصیه فیلم به هیچ وجه شبیه به تشخیص تومورها نیست. سیستم تنظیم شده برای سرطان ریه متفاوت از سیستم سرطان دهانه رحم است. دستیاران دمانس ممکن است برای زنان و مردان متفاوت به نظر برسند. و غیره ، تبلیغات بی نهایت.
جه آفتابپرست را مهندسان هدایت به سمت زیر مجموعه های مطلوب از طرح ها توصیف کرد. جه با اشاره به اندازه گیری زمان انجام فرآیند محاسباتی ، گفت: "این یک محله خوب به من می دهد و من می توانم آن را در چند دقیقه از CPU انجام دهم." "بنابراین من می توانم خیلی سریع بهترین معماری را بدست آورم." به جای کل کلان شهر پراکنده ، فقط باید چند خیابان را جستجو کرد.
آفتابپرست با آموزش و نمونه برداری از تعداد نسبتاً کمی از معماری ها که نمایانگر طیف گسترده ای از گزینه ها است کار می کند ، سپس عملکرد آن طرح ها را با مجموعه مشخصی از شرایط پیش بینی می کند. از آنجا که آن کاهش هزینه های چشمگیر و آثار در سیستم عامل های بدون چربی، روش بسیار تطبیقی با توجه به "می تواند دسترسی به شبکه های عصبی برای سازمان های تحقیقاتی را که در حال حاضر نمی منابع لازم را به استفاده از این تکنولوژی گسترش،" پست وبلاگ از فیس بوک.
- ۹۹/۰۲/۳۱