به گزارش ایران اکونومیست؛ مطالعه‌ای در دانشگاه بار-ایلان نشان می‌دهد که یادگیری سطحی کارآمد مغز، شامل شبکه‌ای گسترده با چند لایه، می‌تواند با مدل‌های یادگیری عمیق چندلایه در وظایف طبقه‌بندی پیچیده رقابت کند. این امر طراحی فعلی پردازنده‌های گرافیکی را به چالش می‌کشد، که بیشتر از معماری‌های گسترده ترجیح می‌دهند.
مغز، علیرغم ساختار نسبتا کم عمق با لایه‌های محدود، کارآمد عمل می‌کند، در حالی که سیستم‌های هوش مصنوعی مدرن با معماری‌های عمیق با لایه‌های متعدد مشخص می‌شوند. این سؤال را ایجاد می کند: آیا معماری های کم عمق الهام گرفته شده از مغز می توانند با عملکرد معماری های عمیق رقابت کنند، و اگر چنین است، مکانیسم های اساسی که این امکان را فراهم می کند چیست؟
الهام از عملکرد مغز
روش‌های یادگیری شبکه‌های عصبی از عملکرد مغز الهام گرفته شده‌اند، اما تفاوت‌های اساسی بین نحوه یادگیری مغز و نحوه عملکرد یادگیری عمیق وجود دارد. یک تمایز کلیدی در تعداد لایه هایی است که هر یک از آنها استفاده می کنند.
سیستم‌های یادگیری عمیق اغلب لایه‌های زیادی دارند که گاهی به صدها لایه می‌رسد که به آنها اجازه می‌دهد تا به طور موثر وظایف طبقه‌بندی پیچیده را بیاموزند. در مقابل، مغز انسان ساختار بسیار ساده‌تری با لایه‌های بسیار کمتر دارد. با وجود معماری نسبتا کم عمق و ماهیت کندتر و پر سر و صداتر فرآیندهای آن، مغز به طور قابل توجهی در انجام وظایف پیچیده طبقه بندی به طور موثر ماهر است.
موضوعات: هوش مصنوعی بار-دانشگاه ایلان یادگیری ماشین مغز
توسط دانشگاه بار ایلان 15 ژانویه 2024
