[ad_1]
Secondo un nuovo studio, un’intelligenza artificiale con la capacità di guardarsi dentro e mettere a punto la propria rete neurale ottiene risultati migliori quando sceglie la diversità piuttosto che la mancanza di diversità. Le diverse reti neurali risultanti si sono rivelate particolarmente efficaci nel risolvere compiti complessi.
“Abbiamo creato un sistema di test con un’intelligenza non umana, un’intelligenza artificiale (AI), per vedere se l’IA preferirebbe la diversità alla mancanza di diversità e se la sua scelta migliorerebbe le prestazioni dell’IA”, afferma William Ditto, professore di fisica presso la North Carolina State University, direttore del Nonlinear Artificial Intelligence Laboratory (NAIL) dell’NC State e co-autore corrispondente del lavoro. “La chiave è stata dare all’IA la capacità di guardarsi dentro e imparare come apprende.”
Le reti neurali sono un tipo avanzato di intelligenza artificiale vagamente basato sul modo in cui funziona il nostro cervello. I nostri neuroni naturali scambiano impulsi elettrici in base alla forza delle loro connessioni. Le reti neurali artificiali creano connessioni altrettanto forti regolando pesi numerici e pregiudizi durante le sessioni di allenamento. Ad esempio, una rete neurale può essere addestrata a identificare foto di cani vagliando un gran numero di foto, indovinando se la foto è di un cane, vedendo quanto è distante e quindi aggiustando i suoi pesi e i suoi pregiudizi fino a quando non sono più vicini alla realtà.
L’intelligenza artificiale convenzionale utilizza le reti neurali per risolvere i problemi, ma queste reti sono tipicamente composte da un gran numero di neuroni artificiali identici. Il numero e la forza delle connessioni tra questi neuroni identici possono cambiare man mano che apprende, ma una volta ottimizzata la rete, quei neuroni statici costituiscono la rete.
Il team di Ditto, d’altra parte, ha dato alla sua intelligenza artificiale la capacità di scegliere il numero, la forma e la forza di connessione tra i neuroni nella sua rete neurale, creando sottoreti di diversi tipi di neuroni e forza di connessione all’interno della rete mentre apprende.
“Il nostro vero cervello ha più di un tipo di neurone”, dice Ditto. “Così abbiamo dato alla nostra intelligenza artificiale la capacità di guardarsi dentro e decidere se aveva bisogno di modificare la composizione della sua rete neurale. In sostanza, le abbiamo dato la manopola di controllo del proprio cervello. Così può risolvere il problema, guardare il risultato, e cambiare il tipo e la miscela di neuroni artificiali finché non trova quello più vantaggioso. È il meta-apprendimento per l’intelligenza artificiale.
“La nostra intelligenza artificiale potrebbe anche decidere tra neuroni diversi o omogenei”, afferma Ditto. “E abbiamo scoperto che in ogni caso l’intelligenza artificiale ha scelto la diversità come un modo per rafforzare le proprie prestazioni.”
Il team ha testato l’accuratezza dell’intelligenza artificiale chiedendole di eseguire un esercizio di classificazione numerica standard e ha visto che la sua precisione aumentava con l’aumentare del numero di neuroni e della diversità neuronale. Un’IA standard e omogenea potrebbe identificare i numeri con una precisione del 57%, mentre l’IA diversificata e meta-apprendimento è stata in grado di raggiungere una precisione del 70%.
Secondo Ditto, l’intelligenza artificiale basata sulla diversità è fino a 10 volte più precisa dell’intelligenza artificiale convenzionale nel risolvere problemi più complicati, come prevedere l’oscillazione di un pendolo o il movimento delle galassie.
“Abbiamo dimostrato che se si dà a un’intelligenza artificiale la capacità di guardarsi dentro e imparare come apprende, cambierà la sua struttura interna – la struttura dei suoi neuroni artificiali – per abbracciare la diversità e migliorare la sua capacità di apprendere e risolvere i problemi in modo efficiente e in modo più accurato”, afferma Ditto. “In effetti, abbiamo anche osservato che man mano che i problemi diventano più complessi e caotici, le prestazioni migliorano in modo ancora più drammatico rispetto a un’intelligenza artificiale che non abbraccia la diversità.”
La ricerca appare in Rapporti scientifici, ed è stato sostenuto dall’Office of Naval Research (con la sovvenzione N00014-16-1-3066) e dalla United Therapeutics. John Lindner, professore emerito di fisica al College of Wooster e professore in visita al NAIL, è l’autore corrispondente. L’ex studente laureato dello Stato NC Anshul Choudhary è il primo autore. Al lavoro hanno contribuito anche lo studente laureato della NC State Anil Radhakrishnan e Sudeshna Sinha, professore di fisica presso l’Indian Institute of Science Education and Research Mohali.
[ad_2]
Source link
