Новый подход к языку биологического программирования

Новые открытия исследователей во главе с компьютерными учеными из технического университета Граца Вольфгангом Маасом и Робертом Легенштейном по обработке нейронной информации в мозгу могут позволить более эффективные методы искусственного интеллекта.

В частности, исследователям удалось математически смоделировать возникновение и взаимодействие так называемых «сборок». Это группы нейронов в головном мозге, которые формируют основу для более высоких когнитивных способностей, таких как мышление, воображение, споры, планирование или обработка речи.

Лучшее понимание того, как работает мозг

Канадский нейробиолог Дональд Х. Хебб еще в 1949 году постулировал, что нейроны образуют такие группы, другими словами, что они действуют вместе, кодируя отдельные слова или символы, а также целостные «концепции». «Однако в последние годы существование сборок стало более консолидированным, и наши модели основаны на последних результатах исследований мозга» , – объясняет Маасс.

Сборки – это текущие сущности, которые постоянно реорганизуются для обработки стимулов окружающей среды, придают им символическое значение, структурируют их и трансформируют в знания. Эта адаптивность, также называемая пластичностью, дает мозгу возможность преодолевать ограниченные возможности обработки и формировать «неограниченное» количество паттернов.

Результаты не только способствуют лучшему пониманию мозга, но и могут привести к новым эффективным методам ИИ, поскольку они сочетают в себе преимущества двух основных подходов к исследованиям ИИ: символического и коннекционистского.

Символьная обработка информации против коннекционистов

Алгоритмы в символьных системах основаны на определенных правилах (если / тогда команды) и логических формулах и убедительны благодаря своей способности абстрагироваться, то есть способности обобщать и применять общий контекст к конкретным фактам. По этой причине они оптимально подходят для легкого применения в совершенно новых ситуациях. Однако символьные системы должны быть запрограммированы сложным образом и не могут быть обучены для требовательных приложений с помощью больших объемов данных, как это возможно с нейронными сетями., Последние состоят из небольших сетевых и адаптивных вычислительных блоков, которые самоорганизуются и могут быстро решать сложные проблемы при совместной работе. Обучаемость нейронных сетей сделала коннекционистский подход более привлекательным для текущих исследований ИИ и для современных приложений ИИ. Однако нейронные сети испытывают трудности с задачами, которых не было в их обучающей выборке.

Архитектура человеческого мозга для машин

Представленные модели сборки нацелены на то, чтобы объединить способность к абстракции и способность учиться. «Это нейронные сети, которые символически работают со своими сборками. Парадигма, которую мы используем, – это человеческий мозг, который также сочетает в себе и то, и другое», – сказал Легенштейн.

Эта работа, в которой также участвуют исследователи из Ноттингемского университета, Калифорнийского университета в Беркли и Технологического института Джорджии, частично включается в Human Brain Project (HBP) – общеевропейскую междисциплинарную исследовательскую ассоциацию, которая была с 2015 года работает над электронной реконструкцией человеческого мозга и моделированием его функций. Вольфганг Маасс и его команда отвечают за рабочий пакет «Принципы вычисления мозга» в проекте «Человеческий мозг».

услуги нутрициологаАвтор сайта и статей: Наталья Степанова, нутрициолог-психолог, консультант по питанию и коррекции веса. Подробнее обо мне

Я в соц. сетях: Vk, Instagram.

Рейтинг
Еще статьи нутрициолога:
Adblock
detector