DeepMind'ın büyük atılımı: Yapay zeka, beyin düzeyinde gezinme yeteneklerini geliştirdi ve hayvanlar gibi "yolları kopyalayacak"
DeepMind ekibi, yeni geliştirilen yapay zeka programının memelilerle aynı yol bulma yeteneğine sahip olduğunu söyledi.
AI teknolojisi inceleme haberleri : AlphaGo'yu bir yandan kuran DeepMind ekibi, 9 Mayıs'ta ABD Doğu Saati'nde dünyanın en iyi akademik dergisi Nature'da büyük bir başarı yayınladı. Yapay ajanlarda ızgara benzeri temsiller kullanan Vektör tabanlı navigasyon başlıklı bir makalede, DeepMind ekibi yeni geliştirilen yapay zeka programının memelilerle aynı yol bulma yeteneklerine sahip olduğunu ve beyin ağına çok benzediğini belirtti. Izgara hücreleri nasıl çalışır?
Go tahtasında insanları kolayca yendikten sonra yapay zeka, uzay bilişi ve seyir yetenekleri açısından "insanlara adım atmış" gibi görünüyor.
İnsanlar doğal uzayda rahattır ve engelleri kolaylıkla atlayabilir ve kendileri ile varış noktaları arasında bir kestirme yol bulabilirler, ancak bunun arkasındaki mekanizma net değildir.
Bu gizemi anlamak için bilim adamları yorulmak bilmeyen keşifler yaptılar. 1960'ların sonlarında, UCL nörofizyolog John O'Keefe bu sorunu incelemeye başladı ve 1971'de beyin konumlandırma sisteminin ilk bileşeni olan Place Cell'i keşfetti. Konum hücresi, özne belirli bir konuma geldiğinde boşalabilir, böylece geçmiş konumun hafızasını verir, ancak konum hücresi bir koordinat değildir ve geometrik hesaplama yeteneğine sahip değildir.
2005 yılında May-Britt Moser ve Edvard Moser, beynin entorhinal korteksinde daha sihirli ızgara hücreleri keşfetti. Fareler egzersiz yaparken belirli sinir hücrelerinin aktivasyon yasasını kaydettiler ve ızgara hücrelerinin, tıpkı bir haritadaki bir koordinat sistemi gibi, tüm uzay ortamını petek altıgen bir ızgaraya bölebildiğini buldular. Izgara hücrelerinin davranışı o kadar şok edici ki, 2014'te Moser ve karısı da Nobel Fizyoloji Ödülü'nü paylaştı.
Bununla birlikte, ızgara hücreleri yalnızca bir uzay ortamında GPS konumlandırma hizmetleri mi sağlar? Uzun zamandır grid hücrelerinin organizmaların vektör yolculuğunu desteklediği, yani hedefe olan mesafeyi ve yönü hesapladığı tahmin edilmektedir.Ancak, ızgara hücrelerinin keşfedilmesinden on yıldan fazla bir süre sonra, bunların hesaplama işlevi ve vektör gezintisi ile ilişkisi hala bilinmemektedir. .
Deepmind'ın makalesinin çözmeye çalıştığı gizem budur.
DeepMind ekibi, yukarıdaki varsayımı test etmek için yapay bir sinir ağı kullanmaya karar verdi. Yapay sinir ağı, beynin sinir ağını simüle etmek için çok katmanlı işlemeyi kullanan bir bilgi işlem yapısıdır. Bu çalışmada, araştırmacılar önce tekrarlayan sinir ağını hareket hızı bilgisine dayanarak sanal ortamda konumlandırmak için eğitti. Bu, memelilerin alışılmadık bir ortamda hareketi bulmak için kullandıkları bilgilere çok benzer.
Şok edici olan, araştırmacıların ızgara hücresi olarak adlandırdığı ızgara hücresi benzeri bir modelin doğal olarak sinir ağlarında ortaya çıkmasıdır. Önceki eğitimde, araştırmacılar sinir ağına böyle bir yapı üretmesi için kasıtlı olarak rehberlik etmemişlerdi. Yapay zekanın konumlandırma şeması, doğanın milyonlarca yıl içinde evrim geçirdiği yanıtlarla o kadar tutarlıdır.
DeepMind ekibi daha sonra bu ızgara yapısının vektör navigasyonu gerçekleştirip gerçekleştiremeyeceğini test etmek için pekiştirmeli öğrenmeyi kullandı. Pekiştirmeli öğrenme, genellikle oyun AI'yı eğitmek için kullanılır. İnsanlar AI'ya oyunlar için bir ödül ve ceza mekanizması söyler, ancak oyun yöntemlerini öğretmezler. AI, oyunu tekrar ettikçe ve daha yüksek puanlar için çabalarken kendini geliştirir. Daha sonraki AlphaGo, insan oyun kaydı deneyimini tamamen terk etti ve saf bir kendi kendine oyunda sıfırdan daha güçlü bir sürüme dönüştü.
Araştırmacılar, daha önce otomatik olarak görünen ızgara yapısını daha büyük bir sinir ağı mimarisiyle birleştirerek sanal gerçeklik oyun ortamına yerleştirilmiş bir yapay zeka gövdesi oluşturdu. Pekiştirmeli öğrenmeden geçtikten sonra, yapay zekanın oyun labirentinde hedefe gitme yeteneği sıradan insanları geride bırakarak profesyonel oyuncu seviyesine ulaşır. Bir memeli gibi yeni yollar bulabilir ve köşeleri kesebilir.
Bununla birlikte, ızgara birimi sessize alınırsa, seyir kapasitesi büyük ölçüde azalacak ve mesafe ve yön hesaplama hataları artacaktır, bu da vektör seyir için ızgara modunun önemini kanıtlamaktadır.
Bu keşifle ilgili olarak, ızgara hücresi keşfi Edvard Moser şunları söyledi: "Bu makale çok heyecan verici oldu. Daha şaşırtıcı olan başka bir bakış açısıyla, bilgisayar modellerinin geliştirilmesinin nihayet bize geri dönmüş olması. Biyolojide bulunan ızgara deseni.
Deep Mind kurucusu ve CEO'su ortak yazar Hassabis şunları söyledi: "Yapay zeka ve sinirbilimin karşılıklı olarak ilham verici olduğuna inanıyoruz. Bu çalışma iyi bir kanıt: karmaşık ortamlarda dolaşabilen bir yapay zekanın geliştirilmesi yoluyla Ajanlar, memeli navigasyonundaki ızgara hücrelerinin önemi hakkında daha derin bir anlayışa sahibiz. "
DeepMind ekibi, bu çalışmanın yalnızca ızgara hücrelerinin hesaplama işlevlerini anlamada önemli bir adım değil, aynı zamanda beyin benzeri makine öğrenimi mimarisinin önemini gösteren yapay zekanın geliştirilmesinde de önemli bir adım olduğuna inanıyor. Aynı yöntem, yaşamın diğer algılama yeteneklerini incelemek için de kullanılabilir.
Imperial College London'dan Dr. Fangde Liu, konum hücreleri ve ızgara hücreleri üzerine yapılan araştırmanın yapay zekaya, özellikle robotik sistemlere ilham verdiğini söyledi. Konum hücresi aslında topolojik uzayı tanımlayan bir uzamsal indeks veritabanıdır; ızgara hücresi geometrik bir hesaplayıcıdır ve açıklama Öklid uzayıdır. Bu tür bir organizasyon, bilgisayar bilimindeki mevcut teknolojimizden tamamen farklıdır ve çok güçlü bir avantaja sahiptir.
Duke Üniversitesi'nden Profesör Yiran Chen ve doktora öğrencisi Chunpeng Wu'ya göre, makalede bahsedilen iki ayrıntı kayda değer. Birincisi, sinir ağının kayıp işlevi düzenli bir terim içermiyorsa, sinir ağı ızgara hücrelerinin işlevini gösteremez. Bu keşif bize normal terimlerin rolü hakkında düşünmemiz için yeni bir bakış açısı sağlıyor. İkincisi, makale, derin sinir ağlarının "kara kutu" özelliklerinin, ızgara hücre aktivitesi özelliklerinin yol entegrasyonu üzerindeki etkisinin daha fazla analizini engellediğine işaret etmektedir. Bu nokta, sinir ağlarının yorumlanabilirliği üzerine güncel araştırmanın gerekliliğini bir kez daha teyit etmektedir.
Yanıt olarak Johns Hopkins Üniversitesi sinirbilimcileri Francesco Savelli ve James Knierim, Nature tarafından yayınlanan navigasyon için beyin kodlarını taklit eden yapay zeka başlıklı bir haber incelemesinde vurguladılar: "Izgara modeli hedefe yönelik yeteneği geliştiriyor. Bu gerçek kanıtlıyor Izgara hücrelerinin beyindeki rolü. Bununla birlikte, bu hesaplamalar doğrudan modelde kontrol edilemez, bu da arkasındaki hesaplama ilkelerini, algoritmaları ve kodlama stratejilerini incelememizi zorlaştırır. İnsan muhakemesini anlamak için derin öğrenme sistemleri nasıl daha akıllı hale getirilir Mantık, gelecekte karşılaşacağımız heyecan verici bir zorluk. "
Son olarak, kağıt bağlantısını ekleyin https://www.nature.com/articles/s41586-018-0102-6
Bu arada, insanları işe alıyoruz, öğrenelim mi?
BAT kıdemli algoritma mühendisleri için özel araştırma ve geliştirme kursları
Hayata ve işe en yakın eğlenceli pratik projeler
Profesyonel öğretim asistanları ile sınıf yönetimi yardımı
Bir teklif almak için öğrendiklerinizi uygulayın, öğrenmeyi bitirir bitirmez işe alınmanız tavsiye edilir.
Kodu tarayın veya öğrenmek için orijinal metni okumak için tıklayın!
( 0 ) Paylaşmaya hoş geldiniz, yarın görüşürüz!
