Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os pesquisadores desenvolvem o modelo novo para observar o fenômeno da auto-optimização em redes neuronal

Os pesquisadores no grupo Cyber-Físico dos sistemas na escola de USC Viterbi da engenharia, conjuntamente com as Universidades de Illinois no Urbana-Campo, desenvolveram um modelo novo de como a informação profundamente no cérebro poderia fluir de uma rede a outra e de como estes conjuntos neuronal da rede auto-aperfeiçoam ao longo do tempo.

Seu trabalho, cronicado da “nas características de papel da ciência rede das culturas Neuronal Cérebro-Derivar decifradas dos dados quantitativos da imagem lactente da fase,” é acreditado para ser o primeiro estudo para observar in vitro este fenômeno da auto-optimização em redes neuronal, e modelos existentes dos contadores. Seus resultados podem abrir sentidos novos da pesquisa para a inteligência artificial biològica inspirada, a detecção de cancro cerebral e o diagnóstico e podem contribuir a ou inspirar estratégias do tratamento de Parkinson novo.

A equipe examinou a estrutura e a evolução de redes neuronal nos cérebros dos ratos e dos ratos a fim identificar os testes padrões da conectividade. O autor correspondente e o professor adjunto elétrico e computando Paul Bogdan da engenharia põem este trabalho no contexto explicando como o cérebro funciona na tomada de decisão. Provê a actividade de cérebro que ocorre quando alguém é percebida contar cartões. Diz que o cérebro não pôde realmente memorizar todas as opções do cartão mas um pouco “está conduzindo um tipo de modelo da incerteza.” O cérebro, diz está obtendo a informação considerável de todas as conexões os neurônios.

O dinâmico aglomerando isso está acontecendo nesta encenação está permitindo o cérebro de calibrar vários graus de incerteza, de obter descrições probabilísticas ásperas e de compreender o que meio as circunstâncias são menos prováveis.

“Nós observamos que as redes do cérebro têm uma capacidade extraordinária minimizar a latência, maximizar a produção e maximizar o vigor ao fazer toda a aqueles em uma maneira distribuída (sem um gerente ou um coordenador central).” Bogdan dito que guardara a cadeira adiantada da carreira de Jack Munushian no departamento de Ming Hsieh da engenharia elétrica. “Isto significa que as redes neuronal negociam um com o otro e conectam entre si em uma maneira que aumente ràpida o desempenho de rede contudo as regras de conexão são desconhecidas.”

À surpresa de Bogdan, nenhuns dos modelos matemáticos clássicos empregados pela neurociência podiam replicate exactamente este fenômeno emergente dinâmico da conectividade. Usar a análise multifractal e uma técnica de imagem lactente nova chamada fase quantitativa que imagina (QPI) tornou-se por Gabriel Popescu, um professor de elétrico e a engenharia informática nas Universidades de Illinois no Urbana-Campo, um co-autor no estudo, a equipa de investigação podia modelar e analisar este fenômeno com precisão alta.

Aplicações da saúde

Os resultados desta pesquisa podiam ter um impacto significativo na detecção atempada de tumores cerebrais. Tendo um mapa topológico melhor das actividades saudáveis do cérebro e de cérebro a comparar--será mais fácil detectar cedo anomalias estruturais da imagem lactente a conectividade dinâmica entre os neurônios em várias tarefas cognitivas sem ter que fazer uns procedimentos mais invasores.

Diz o co-autor Chenzhong Yin, um estudante do Ph.D. no grupo dos sistemas físicos do Cyber de Bogdan, “cancro espalha em grupos pequenos de pilhas e não pode ser detectado por FMRI ou por outras técnicas de exploração até que esteja demasiado atrasado.”

“Mas com este método nós podemos treinar A.I. para detectar cedo e prever mesmo doenças monitorando e descobrindo interacções microscópicas anormais entre os neurônios, Yin adicionado.

Os pesquisadores estão procurando agora aperfeiçoar seus algoritmos e as ferramentas da imagem lactente para o uso em monitorar estas redes neuronal complexas vivem interior um cérebro vivo.

Isto poderia ter pedidos adicionais para doenças como Parkinson, que envolve perder as conexões neuronal entre hemisférios esquerdos e direitos no cérebro.

“Colocando um dispositivo de imagem lactente no cérebro de um animal vivo, nós podemos igualmente monitoramos e observamos coisas como as redes neuronal que crescem e que encolhem, como a memória e a cognição formam, se uma droga é eficaz e finalmente como aprender acontece. Nós podemos então começar a projectar as melhores redes neurais artificiais que, como o cérebro, teriam a capacidade auto-para aperfeiçoar.”

Uso para a inteligência artificial

Ter este nível de precisão pode dar-nos uma imagem mais clara dos funcionamentos internos de cérebros biológicos e como nós podemos potencial replicate aqueles em cérebros artificiais.”

Paul Bogdan, autor correspondente e professor adjunto

Porque os seres humanos nós têm a capacidade para aprender tarefas novas sem esquecer o velhos. As redes neurais artificiais, contudo, sofrem do que é sabido como o problema do esquecimento catastrófico. Nós vemos este quando nós tentamos ensinar a um robô duas tarefas sucessivas tais como escadas de escalada e então desligar a luz.

O robô pode overwrite a configuração que permitiu que escalasse as escadas como desloca para o estado óptimo para executar a segunda tarefa, desligando a luz. Isto acontece porque os sistemas de aprendizagem profundos confiam em quantidades maciças de dados do treinamento para dominar o mais simples das tarefas.

Se nós poderíamos replicate como o cérebro biológico permite a aprendizagem contínua ou nossa capacidade cognitiva para a inferência indutiva, Bogdan acredita, nós poderia ensinar a A.I. tarefas múltiplas sem um aumento na capacidade de rede.