Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los investigadores desarrollan el modelo nuevo para observar fenómeno de la uno mismo-optimización en redes neuronales

Los investigadores en el grupo Cibernético-Físico de los sistemas en la escuela de USC Viterbi de la ingeniería, conjuntamente con la Universidad de Illinois en el Urbana-Chamán, han desarrollado un modelo nuevo de cómo la información profundamente en el cerebro podría fluir a partir de una red a otra y de cómo estos atados neuronales de la red uno mismo-optimizan en un cierto plazo.

Su trabajo, crónica en “las características de papel de la ciencia de la red de las culturas neuronales Cerebro-Derivar descifradas de datos cuantitativos de la proyección de imagen de la fase,” se cree para ser el primer estudio para observar este fenómeno de la uno mismo-optimización en redes neuronales ines vitro, y modelos existentes de los contratirantes. Sus conclusión pueden abrir las nuevas direcciones de la investigación para la inteligencia artificial biológico inspirada, la detección del cáncer de cerebro y la diagnosis y pueden contribuir a o inspirar las estrategias del tratamiento de nuevo Parkinson.

Las personas examinaron la estructura y la evolución de redes neuronales en los cerebros de ratones y de ratas para determinar las configuraciones de la conectividad. El autor correspondiente y el profesor adjunto eléctrico y que calcula Paul Bogdan de la ingeniería pone este trabajo en contexto explicando cómo el cerebro funciona en la toma de decisión. Él se refiere a la actividad cerebral que ocurre cuando alguien se percibe para contar tarjetas. Él dice que el cerebro no pudo memorizar real todas las opciones de la tarjeta sino “que está conducto bastante un tipo de modelo de la incertidumbre.” El cerebro, él dice está consiguiendo a considerable información de todas las conexiones las neuronas.

El dinámico agrupando eso está suceso en este decorado está permitiendo al cerebro calibrar diversos grados de incertidumbre, conseguir descripciones de probabilidad ásperas y entender qué clase de condiciones es menos probable.

“Observamos que las redes del cerebro tienen una capacidad extraordinaria de disminuir tiempo de espera, de maximizar la producción y de maximizar robustez mientras que hacen todos los ésos de una manera distribuida (sin un gerente o un coordinador central).” Bogdan dicho que espera la silla temprana de la carrera de Jack Munushian en el departamento de Ming Hsieh de la ingeniería eléctrica. “Esto significa que las redes neuronales negocian con uno a y conectan el uno al otro de una manera que aumente rápidamente funcionamiento de red con todo las reglas de conectar son desconocidas.”

A la sorpresa de Bogdan, ningunos de los modelos matemáticos clásicos empleados por la neurología podían replegar exacto este fenómeno emeregente dinámico de la conectividad. Usando análisis multifractal y una técnica de proyección de imagen nueva llamada fase cuantitativa la imaginación (QPI) se convirtió por Gabriel Popescu, profesor de eléctrico y la ingeniería informática en la Universidad de Illinois en el Urbana-Chamán, co-autor en el estudio, el equipo de investigación podía modelar y analizar este fenómeno con alta exactitud.

Usos de la salud

Las conclusión de esta investigación podían tener un impacto importante en la detección temprana de tumores cerebrales. Teniendo un mejor mapa topológico de las actividades sanas del cerebro y de cerebro a comparar--será más fácil descubrir temprano anormalidades estructurales de la proyección de imagen la conectividad dinámica entre las neuronas en diversas tareas cognoscitivas sin tener que hacer procedimientos más invasores.

Dice al co-autor Chenzhong Yin, estudiante del Ph.D. en el grupo cibernético de los sistemas físicos de Bogdan, “cáncer se extiende en pequeños grupos de células y no puede ser descubierto por FMRI u otras técnicas de exploración hasta que sea demasiado atrasado.”

“Pero con este método podemos entrenar a A.I. para descubrir e incluso para predecir enfermedades temprano vigilando y descubriendo acciones recíprocas microscópicas anormales entre las neuronas, Yin adicional.

Los investigadores ahora están intentando perfeccionar sus algoritmos y las herramientas de la proyección de imagen para el uso en vigilar estas redes neuronales complejas viven interior un cerebro vivo.

Esto podría tener usos adicionales para las enfermedades como Parkinson, que implica el perder de las conexiones neuronales entre los hemisferios izquierdos y derechos en el cerebro.

“Poniendo un dispositivo de proyección de imagen en el cerebro de un animal vivo, podemos también vigilamos y observamos cosas como las redes neuronales que crecen y que se encogen, cómo la memoria y la cognición forman, si una droga es efectiva y final cómo suceso el aprendizaje. Podemos entonces comenzar a diseñar mejores redes neuronales artificiales que, como el cerebro, tendrían la capacidad uno mismo-de optimizar.”

Uso para la inteligencia artificial

Tener este nivel de exactitud puede darnos un retrato más sin obstrucción de los funcionamientos internos de cerebros biológicos y cómo podemos potencialmente replegar ésos en cerebros artificiales.”

Paul Bogdan, autor correspondiente y profesor adjunto

Pues los seres humanos nosotros tienen la capacidad de aprender nuevas tareas sin el olvido los viejos. Las redes neuronales artificiales, sin embargo, sufren de qué se conoce como el problema del olvido catastrófico. Vemos esto cuando intentamos enseñar un robot a dos tareas sucesivas tales como escaleras de toma de altura y después apagar la luz.

El robot puede sobregrabar la configuración que permitió que toma de altura las escaleras como cambio hacia el estado óptimo para realizar la segunda tarea, apagando la luz. Esto suceso porque los sistemas de aprendizaje profundos confían en cantidades masivas de datos del entrenamiento para dominar el más simple de tareas.

Si podríamos replegar cómo el cerebro biológico habilita el aprendizaje continuo o nuestra capacidad cognoscitiva para la inferencia inductiva, Bogdan cree, nosotros podría enseñar A.I. a tareas múltiples sin un aumento en capacidad de red.