Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les chercheurs développent le modèle neuf pour observer le phénomène d'auto-optimisation dans les réseaux neuronaux

Les chercheurs au groupe Cyber-Matériel de systèmes à l'école d'USC Viterbi du bureau d'études, conjointement avec l'Université de l'Illinois au l'Urbana-Champagne, ont développé un modèle neuf de la façon dont l'information profondément dans le cerveau pourrait découler d'un réseau à l'autre et de la façon dont ces boîtiers neuronaux de réseau auto-les optimisent au fil du temps.

On pense que leur travail, fait la chronique dans « les caractéristiques de papier de la Science de réseau des cultures neuronales Cerveau-Dériver déchiffrées des caractéristiques quantitatives de représentation de phase, » est la première étude pour observer ce phénomène d'auto-optimisation dans les réseaux neuronaux in vitro, et les modèles existants de ripostes. Leurs découvertes peuvent ouvrir des sens neufs de recherches pour l'artificial intelligence biologiquement inspiré, le dépistage du cancer du cerveau et le diagnostic et peuvent contribuer à ou inspirer les stratégies de la demande de règlement de Parkinson neuf.

L'équipe a examiné la structure et l'évolution des réseaux neuronaux dans les cerveaux des souris et des rats afin de recenser les configurations de connectivité. L'auteur et élém. élect. correspondant et calculer le professeur agrégé Paul Bogdan de bureau d'études met ce travail dans le contexte en expliquant comment les fonctions cérébrales dans la prise de décision. Il met en référence l'activité cérébrale qui se produit quand quelqu'un est perçu compter des cartes. Il dit que le cerveau ne pourrait pas réellement mémoriser toutes les options de carte mais plutôt « conduit un type de modèle d'une incertitude. » Le cerveau, il dit obtient à des informations considérables de tous les liens les neurones.

Le dynamique groupant cela se produit dans ce scénario permet au cerveau de mesurer des degrés variés d'une incertitude, d'obtenir des descriptions probabilistes approximatives et de comprendre quel tri des conditions sont moins susceptible.

« Nous avons observé que les réseaux du cerveau ont une capacité extraordinaire de réduire à un minimum la latence, de maximiser le débit et de maximiser la robustesse tout en faisant toute la ceux d'une façon distribuée (sans gestionnaire ou Coordinateur central). » ledit Bogdan qui retient la présidence tôt de carrière de Jack Munushian au service de Ming Hsieh du génie électrique. « Ceci signifie que les réseaux neuronaux négocient les uns avec les autres et branchent entre eux d'une manière dont améliore rapidement des performances du réseau pourtant les règles du raccordement sont inconnues. »

À la surprise de Bogdan, aucun des modèles mathématiques classiques utilisés par la neurologie ne pouvait reproduire exactement ce phénomène émergent dynamique de connectivité. Utilisant l'analyse multifractal et une phase quantitative appelée de technique d'imagerie nouvelle l'imagination (QPI) s'est développée par Gabriel Popescu, un professeur d'élém. élect. et l'ingénierie informatique à l'Université de l'Illinois au l'Urbana-Champagne, un co-auteur sur l'étude, l'équipe de recherche pouvait modéliser et analyser ce phénomène avec de grande précision.

Applications de santé

Les découvertes de cette recherche ont pu avoir un impact important sur le dépistage précoce des tumeurs cérébrales. En ayant à un un meilleur plan topologique des activités saines de cerveau et de cerveau à comparer--il sera plus facile de trouver tôt des anomalies de structure de la représentation la connectivité dynamique parmi des neurones dans tâches cognitives variées sans devoir faire plus de chirurgies invasives.

Dit le co-auteur Chenzhong Yin, un stagiaire de Ph.D. dans le groupe de systèmes matériels du Cyber de Bogdan, « cancer s'étend aux petits groupes de cellules et ne peut pas être trouvé par FMRI ou d'autres techniques d'exploration jusqu'à ce qu'il soit trop tard. »

« Mais avec cette méthode nous pouvons former A.I. pour trouver et prévoir même les maladies tôt en surveillant et en découvrant des interactions microscopiques anormales entre les neurones, Yin ajouté.

Les chercheurs recherchent maintenant à perfectionner leurs algorithmes et les outils de représentation pour l'usage en surveillant ces réseaux neuronaux complexes vivent intérieur un cerveau vivant.

Ceci pourrait avoir des demandes complémentaires de maladies comme Parkinson, qui concerne détruire les liens neuronaux entre les hémisphères gauches et droits dans le cerveau.

« En mettant un dispositif imageur sur le cerveau d'un animal vivant, nous pouvons également surveillons et observons des choses comme les réseaux neuronaux s'élevant et rétrécissant, comment la mémoire et la cognition forment, si un médicament est efficace et éventuel comment apprendre se produit. Nous pouvons alors commencer à concevoir de meilleurs réseaux neuronaux artificiels qui, comme le cerveau, auraient la capacité auto-de optimiser. »

Utilisation pour l'artificial intelligence

Avoir ce niveau d'exactitude peut nous donner une image plus claire des fonctionnements internes des cerveaux biologiques et comment nous pouvons potentiellement reproduire ceux en cerveaux artificiels. »

Paul Bogdan, auteur correspondant et professeur agrégé

Car les êtres humains nous ont la capacité d'apprendre des tâches neuves sans oublier les vieux. Les réseaux neuronaux artificiels, cependant, souffrent de ce qui est connu comme problème d'oublier catastrophique. Nous voyons ceci quand nous essayons d'enseigner à un robot deux tâches successives telles que l'escalier s'élevant et puis arrêter la lumière.

Le robot peut recouvrir la configuration qui lui a permise de monter l'escalier pendant qu'il change de vitesse vers la condition optimale pour effectuer la deuxième tâche, arrêtant la lumière. Ceci se produit parce que les systèmes apprenants profonds se fondent sur des quantités massives de caractéristiques de formation pour maîtriser le plus simple des tâches.

Si nous pourrions reproduire comment le cerveau biologique active apprendre soutenu ou notre capacité cognitive pour l'inférence inductive, Bogdan croit, nous pourrait enseigner à A.I. des tâches multiples sans augmentation de capacité du réseau.