Учени откриха по-гъвкав подход към машинното обучение

Алгоритмите, които са в основата на традиционните мрежи се създават чрез обучение, като им се подават множество данни, с които се калибрират за предоставяне на оптималните отговори. Има обаче алтернативно решение, течни невронни мрежи, които се адаптират. При тях е възможна промяната на основни уравнения на база на наблюдаваните входящи данни. Това променя и бързината на отговор от невроните. Разработките в тази насока са от Лабораторията за изчислителни науки и изкуствен интелект на Масачузетският технологичен институт (MIT) в САЩ.

В един от ранните тестове показващи тази възможност е чрез автономен автомобил. При използване на конвенционална невронна мрежа се анализират визуални данни от камера на фиксирани интервали. При течната мрежа, която се състои от 19 неврона и 253 синапси, се постига по-голяма възможност за реакция. Това е на база на повече данни от камерата.

Този модел успява да управлява успешно автомобилът, но има и един недостатък, а именно, че е много бавен. Проблемът произлиза от нелинейните уравнения, представляващи синапсите и невроните. Обичайно те не могат да се решават без повтарящи се изчисления на компютър, а това отнема множество повторения преди постигане на решение. Задачата обичайно се подават към отделни софтуерни пакети (solvers), които биват прилагани поотделно към всеки синапс и неврон.

Екипът зад новата разработка публикува научен труд миналата година, в който разкрива как течната невронна мрежа заобикаля това ограничение. Мрежата разчита на същия вид уравнения, но ключовият напредък е в това, че уравненията не трябва да бъдат решавани чрез натоварващи компютърни изчисления. Вместо това мрежата може да функционира в почти изцяло затворена форма, решение, което принципно би било постижимо и на хартия. Обичайно нелинейните уравнения нямат решения от затворен тип, но в случая е открито приблизително такова, което е достатъчно добро за приложение.

По този начин се намалява и необходимата за извършване на изчисленията енергия, но и времето за тях. Така се постигат по-бързи резултати и то без това да е за сметка на точността. Мрежите са и необичайно стабилни, което означава, че системата може да поддържа огромни количества данни без това да я претовари. Мрежите са достатъчно сложни, че да вършат необходимата работа, но не и толкова, че да се стига до хаотично поведение.

Към момента екипът в MIT тества най-новото си решение за автономен въздушен дрон. Той е обучен да преминава през гора, но сега се използва и в градска среда, за да се провери доколко може да се справя с нови предизвикателства. Посочва се, че предварителните резултати са окуражителни.

Отвъд подобренията на настоящия си модел учените работят и върху мрежовата архитектура. Следващата стъпка ще е да се предвиди колко неврона ще са необходими за осъществяването на дадена задача. Освен това се работи и върху създаване на оптимален начин за свързване на невроните.