Новый алгоритм машинного обучения, дающий роботизированным системам возможность обобщать данные и находить между ними взаимосвязи, уменьшая за счет этого время и вычислительные ресурсы, необходимые для обработки информации, создали российские ученые, 4 декабря сообщает пресс-служба Московского физико-технического института (МФТИ).

Специалисты из МФТИ, Федерального исследовательского центра «Информатика и управление» РАН и Института искусственного интеллекта (AIRI) разработали для искусственного интеллекта (ИИ) биологически подобный алгоритм памяти. Такой алгоритм поможет искусственному мозгу роботизированных систем делать обобщения и эффективно обучаться в условиях сильных смысловых помех.

Результаты исследования биологически подобного алгоритма памяти разработчики представили в статье Soft Adaptive Segments for Bio-Inspired Temporal Memory, опубликованной в сборнике материалов 19-й Международной конференции по гибридным искусственным интеллектуальным системам (HAIS 2024), проходившей в Саламанке (Испания) 9–11 октября 2024 года.

В последнее время всё большую популярность у разработчиков систем обработки информации приобретают алгоритмы машинной памяти, вдохновленные природой. Это привело, в частности, к использованию математических структур, воспроизводящих систему дендритов мозга.

Дендриты в мозге живых существ представляют собой отростки нервных клеток (нейронов), которые проводят импульсы от нервных окончаний к телу нейрона. Причем один нейрон может иметь до нескольких тысяч дендритов, ветвящихся и создающих сложные переплетения.

Один из авторов статьи, ассистент Центра когнитивного моделирования МФТИ и младший научный сотрудник Института AIRI Петр Кудеров пояснил:

«Аналогично в моделях ИИ, которыми мы занимаемся, формируются условные математические „дендриты“, цель которых — распознать тот или иной объект. По мере этого процесса „дендриты“ растут. Так происходит обучение, то есть накопление новых знаний „мозгом“ машины. Затем на основе прежних наблюдений ИИ учится предсказывать изменения, чтобы ориентироваться в динамических средах».

При этом в таком типе памяти существуют проблемы при распознавании, из-за того что уже небольшие отклонения от первичного наблюдения приводят к необходимости «выращивать» новые «дендритные» сегменты. Происходит их взрывной рост, особенно в случае работы с «шумными» средами, которые характерны для реальной жизни.

Авторы статьи для уменьшения роста новых сегментов предложили изменить алгоритм машинного обучения. Новый алгоритм позволяет вычислительной модели распознавать объект не полностью, а только его определенные части. Это достигается за счет добавления в алгоритм «мягкого адаптера», разрешающего сформированному сегменту распознавать новый объект по частичному, а не полному соответствию.

«Эксперименты показывают, что такой способ существенно уменьшает рост „дендритов“. При этом уже выращенные сегменты задействует гораздо шире. Причем оказалось, что это не приводит к заметному падению качества распознавания, но позволяет работать в условиях шума и сократить время и мощности, необходимые для обработки информации», — рассказал о новом алгоритме Петр Кудеров.

Такой алгоритм позволяет ИИ обобщать данные по определенным признакам и находить между ними взаимосвязи, что можно назвать примитивными мыслительными операциями, отметил ученый.

Также разработанный алгоритм способен адаптироваться, регулируя уровень точности распознавания, что позволяет машинному мозгу, подобно радиоприемнику, тонко подстраиваться под заданный диапазон шума.

Для предложенной вычислительной модели не важны типы данных. Она может работать с символами, словами, изображениями, объектами реального мира или со всеми ими вместе. Как полагают разработчики, в перспективе этот новый алгоритм даст возможность искусственному мозгу строить реалистичные картины мира.