AI parkira automobil sa samo 12 neurona

Prirodno uzgojeni mozak radi sasvim drukčije nego uobičajeni računalni program. Ne koristi kôd koji se sastoji od jasnih logičkih uputa, to je mreža ćelija koje međusobno komuniciraju. Simuliranje takvih mreža na vašem računalu može pomoći u rješavanju problema koji se teško dijele u logičke operacije.
U TU Beč, u suradnji s istraživačima Instituta za tehnologiju iz Massachusettsa (MIT), razvijen je novi pristup za programiranje takvih neuronskih mreža koji modeliraju razvoj živčanih signalizacija na posve drukčiji način.
Inspiriran je jednostavnim i dobro istraženim stvorenjima, bannerom C. elegans. Neuronski krugovi njenog živčanog sustava simulirani su na računalu, a model je prilagođen alatnim algoritmima učenja.
Na taj je način moguće riješiti iznimne zadatke s izuzetno niskim brojem simuliranih živčanih stanica – na primjer parkiranje automobila. Iako crvom inspirirana mreža se sastoji od samo 12 neurona, može se trenirati da odvede rover robota na određeno mjesto. Ramin Hasani s Instituta za računalno inženjerstvo TU Beč sada je predstavio svoj rad na TEDx konferenciji u Beču 20. listopada.

Može se pokazati da su te nove neuronske mreže izrazito svestrane. Druga prednost je ta da se njihova unutarnja dinamika može razumjeti – za razliku od standardnih umjetnih neuronskih mreža, koje se često smatra korisnim, ali neprocjenjive “crne kutije”.

“Neuronske mreže moraju biti obučene”, kaže Ramin Hasani. “Dajete određeni ulaz i prilagodite veze između neurona tako da se isporučuje željeni izlaz”.
Unos, na primjer, može biti fotografija, a izlaz može biti ime osobe na slici. “Vrijeme obično ne igra važnu ulogu u tom procesu”, kaže Radu Gros sa TU Beč Instituta za računalno inženjerstvo. Za većinu neuronskih mreža, svi unosi se isporučuju odjednom, što odmah rezultira određenim izlazom. Ali u prirodi stvari su vrlo različite.
Priznavanje govora, na primjer, uvijek ovisi o vremenu, kao i simultanom prevođenju ili nizu pokreta koji reagiraju na promjenjivu okolinu. “Takve se zadaće mogu bolje riješiti pomoću onoga što nazivamo RNN ili rekurentnim neuronskim mrežama”, kaže Ramin Hasani. “Ovo je arhitektura koja može uhvatiti sekvence, jer izgleda da se neuroni sjećaju onoga što se dogodilo prije.”
Hasan i kolege predlažu novu arhitekturu RNN-a koja se temelji na biofizičkom neuronskom i sinapsi modelu koji omogućuje vremenski promjenjivu dinamiku. “U standardnom RNN modelu, postoji neprekinuta veza između neurona i neurona, što određuje koliko neuronska aktivnost utječe na neuronsku aktivnost dva”, kaže Ramin Hasani. “U našoj ljubavi RNN arhitekture, taj odnos je nelinearna funkcija vremena”.

Omogućavanje promjena stanične aktivnosti i staničnih veza tijekom vremena otvara potpuno nove mogućnosti. Ramin Hasani, Mathias Lechner i njihovi suradnici teoretski su pokazali da njihova arhitektura može načelno približiti proizvoljnu dinamiku.
Kako bi pokazali svestranost novog pristupa, razvili su i trenirali malu neuronsku mrežu: “Ponovno smo pokrenuli živčani krug nematodnog živčanog sustava C. elegans, odgovoran za generiranje jednostavnog refleksivnog ponašanja – povlačenje”, kaže Mathias Lechner, koji sada radi u Institutu za znanost i tehnologiju (IST) u Austriji. “Ova neuronska mreža bila je simulirana i osposobljena za kontrolu aplikacija u stvarnom životu”.
Uspjeh je izvanredan: mala, jednostavna mreža sa samo 12 neurona može (nakon odgovarajuće obuke) riješiti izazovne zadatke. Na primjer, bio je osposobljen za manevriranje vozila na parkiralištu na unaprijed određenom tečaju.
Automobil je parkiran ručno na parkiralištu s malom neuronskom mrežom.
“Izlaz mreže neurona, koji bi mogao kontrolirati kretanje bez crnih crva u prirodi, koristi se u našem slučaju da vozimo i ubrzamo vozilo”, kaže Hasani. “Teoretski i eksperimentalno, pokazali smo da naše nove neuronske mreže mogu riješiti složene zadatke u stvarnom životu iu simuliranim fizičkim okruženjima”.
Novi pristup ima još jednu važnu prednost: pruža bolji uvid u unutarnje funkcioniranje neuronske mreže. Prethodne neuronske mreže, koje se često sastoje od tisuća čvorova, bile su tako složene da bi se mogli analizirati samo konačni rezultati.
Dobivanje dubljeg razumijevanja onoga što se događalo iznutra nije bilo moguće. Manja, ali izuzetno moćna mreža Bečkog tima lakša je za analizirati i tako znanstvenici mogu barem djelomično razumjeti koje živčane stanice uzrokuju posljedice. “Ovo je velika prednost koja nas potiče da dodatno istražimo njihova svojstva”, kaže Hasani.

Advert

ESD namještaj