Искусственный интеллект, обладающий способностью заглядывать внутрь себя и тонко настраивать собственную нейронную сеть, показывает более высокие результаты, когда выбирает разнообразие вместо однородности, показало новое исследование. Получившиеся в результате разнообразные нейронные сети особенно эффективны в решении сложных задач.
«Мы создали тестовую систему с нечеловеческим интеллектом, искусственным интеллектом (ИИ), чтобы посмотреть, выберет ли ИИ разнообразие вместо однородности и улучшит ли его выбор эффективность ИИ», — говорит Уильям Дитто, профессор физики Университета Северной Каролины, директор Лаборатории нелинейного искусственного интеллекта (NAIL) и соавтор работы. «Ключом было наделение ИИ способностью анализировать самого себя и учиться тому, как он учится».
Нейронные сети — это продвинутый тип ИИ, во многом основанный на том, как работает наш мозг. Наши естественные нейроны обмениваются электрическими импульсами в соответствии с силой их связей. Искусственные нейронные сети создают аналогично сильные связи, корректируя числовые веса и смещения в процессе тренировок.
Например, нейронная сеть может быть обучена распознаванию фотографий собак путем анализа большого количества фото, предполагая, есть ли на фото собака, видя, насколько она ошиблась, а затем корректируя свои веса и смещения до приближения к реальности.
Традиционный ИИ использует нейронные сети для решения задач, но эти сети обычно состоят из большого числа идентичных искусственных нейронов. Количество и сила связей между этими одинаковыми нейронами могут меняться по мере обучения, но после оптимизации сети эти статичные нейроны и есть сеть.
Команда Дитто, с другой стороны, наделила своего ИИ способностью выбирать количество, форму и силу связей между нейронами в его нейронной сети, создавая подсети из разных типов нейронов и сил связей внутри сети в процессе обучения.
«В наших реальных мозгах более одного типа нейронов», — говорит Дитто. «Поэтому мы дали нашему ИИ возможность анализировать самого себя и решать, нужно ли ему модифицировать состав своей нейронной сети. По сути, мы дали ему рычаг управления для собственного мозга. Таким образом, он может решить задачу, посмотреть на результат и менять тип и состав искусственных нейронов, пока не найдет наиболее выгодный. Это мета-обучение для ИИ.
«Наш ИИ также может выбирать между разнообразными или однородными нейронами», — говорит Дитто. «И мы обнаружили, что в каждом случае ИИ выбирал разнообразие как способ усиления своей производительности».
Команда протестировала точность ИИ, попросив его выполнить стандартное числовое классифицирующее упражнение, и увидела, что его точность росла по мере увеличения количества нейронов и нейронного разнообразия. Стандартный однородный ИИ мог идентифицировать числа с 57% точностью, в то время как мета-обучающийся разнообразный ИИ смог достичь 70% точности.
По словам Дитто, основанный на разнообразии ИИ в 10 раз точнее традиционного ИИ в решении более сложных задач, таких как прогнозирование качания маятника или движения галактик.
«Мы показали, что если дать ИИ возможность анализировать самого себя и учиться тому, как он учится, он изменит свою внутреннюю структуру — структуру своих искусственных нейронов — чтобы охватить разнообразие и улучшить свою способность учиться и эффективно решать задачи с большей точностью», — говорит Дитто. «Действительно, мы также наблюдали, что по мере усложнения задач и увеличения хаотичности, эффективность улучшается еще более значительно по сравнению с ИИ, который не использует разнообразие».
Работа опубликована в журнале Scientific Reports.