Розроблено спайкову нейромережу, здатну одночасно передбачати події, їхній час та ймовірність
Група науковців із Міжнародного дослідницького центру нейроінтелекту (WPI-IRCN) при Токійському університеті розробила модель рекурентної спайкової нейронної мережі (Spiking Neural Network, SNN). Система здатна в межах єдиної популяції нейронів одночасно прогнозувати тип майбутньої події, точний час її настання та ймовірність її виникнення.
Результати дослідження, що проливають світло на біологічні механізми адаптивного мислення та відкривають нові перспективи для нейроморфних обчислень, опубліковано в журналі Communications Biology.
Більшість сучасних штучних нейромереж спираються на метод зворотного поширення помилки (backpropagation) або глобальні сигнали помилок, які важко узгодити з реальним функціонуванням біологічних нейронів.
Команда під керівництвом доцента Зенаса Чао (Zenas C. Chao) та академічного фахівця Йохея Ямади (Yohei Yamada) створила модель із 1000 спайкових нейронів, де процес навчання базується на локальних правилах та обмежений лише зчитувальними зв'язками (readout connections).
Мережа успішно об'єднала три параметри прогнозування. При зростанні ймовірності події передбачуваний сигнал ставав сильнішим, а при зміні таймінгу мережа автоматично зміщувала час очікуваного відгуку.
Основне навчання відбувалося протягом перших 50 випробувань. При раптовій зміні умов (наприклад, часових інтервалів чи ймовірностей) рівень помилок короткочасно зростав, після чого система швидко відновлювала точність.
Тип події, час та ймовірність кодувалися роздільними патернами всередині однієї й тієї ж популяції нейронів, а не окремими спеціалізованими модулями.
«Прогнозування у повсякденному житті за своєю суттю є багатовимірним. Наші результати обчислювально доводять, що єдина популяція рекурентних спайкових нейронів може навчатися того, що очікується, коли воно очікується та наскільки воно ймовірне, динамічно оновлюючи ці дані при зміні навколишнього середовища», - зазначив професор Чао.
Розроблений підхід є особливо перспективним для нейроморфних обчислень та розробки штучного інтелекту, натхненного роботою мозку. Локальні правила навчання дозволяють апаратному забезпеченню ефективно та енергоефективно адаптуватися до нових даних у режимі реального часу без потреби в складних глобальних обчисленнях.
Окрім цього, модель формує нові гіпотези для нейробіології щодо того, як реальний мозок може здійснювати гнучке прогнозування без глобально координованих систем навчання.
Источник: KO
Поделиться