新的深度学习模型：更少的神经元，更多的智力

来自维也纳维也纳(Vienna)，奥地利奥地利技术学院(IST Austria)和美国麻省理工学院(MIT)的国际研究团队已经开发了一种新的人工智能系统，该系统基于线虫等小动物的大脑。这个新颖的AI系统可以控制带有几个人工神经元的车辆。该团队表示，该系统比以前的深度学习模型具有决定性的优势：它可以更好地应对嘈杂的输入，并且由于其简单性，可以详细说明其操作模式。它不必被视为复杂的“黑匣子”，但人类可以理解。这种新的深度学习模型现已发表在《自然机器智能》杂志上。

类似于活脑，人工神经网络由许多单个细胞组成。当一个单元处于活动状态时，它将向其他单元发送信号。下一个小区接收到的所有信号都会组合起来，以决定该小区是否也将变为活动状态。一个细胞影响下一个细胞活动的方式决定了系统的行为-在自动学习过程中调整这些参数，直到神经网络可以解决特定任务为止。

“多年来，我们一直在研究我们可以从自然界中学到什么，以改善深度学习，”维也纳工业大学“网络物理系统”研究小组负责人拉杜格罗苏教授说。“例如，线虫的线虫生活中的神经元数量惊人地少，并且仍然表现出有趣的行为模式。这是由于线虫的神经系统有效而和谐地处理信息的方式所致。”

麻省理工学院计算机科学与人工智能实验室(CSAIL)主任Daniela Rus教授说：“自然向我们展示了仍有很多改进的空间。“因此，我们的目标是大幅降低复杂性并增强神经网络模型的可解释性。”

“受自然界的启发，我们开发了神经元和突触的新数学模型，” IST Austria总裁Thomas Henzinger教授说。

TU Wien和MIT CSAIL计算机工程学院的博士后研究员Ramin Hasani博士说：“与以前的深度学习模型相比，单个单元内信号的处理遵循不同的数学原理。”“此外，我们的网络非常稀疏-这意味着并非每个单元都与其他每个单元连接。这也使网络更加简单。”

为了测试新想法，团队选择了一项特别重要的测试任务：将自动驾驶汽车留在自己的车道上。神经网络接收道路的摄像机图像作为输入，并自动决定是向右还是向左转向。

“如今，具有数百万个参数的深度学习模型通常用于学习诸如自动驾驶之类的复杂任务，” IST Austria的TU Wien校友和博士生Mathias Lechner说。“但是，我们的新方法使我们能够将网络规模减少两个数量级。我们的系统仅使用75,000个可训练参数。”

麻省理工学院CSAIL的学生亚历山大·阿米尼(Alexander Amini)解释说，新系统由两部分组成：摄像机输入首先由所谓的卷积神经网络处理，该卷积神经网络仅感知视觉数据以从传入像素中提取结构特征。该网络确定摄像机图像的哪些部分有趣且重要，然后将信号传递到网络的关键部分-“控制系统”，然后控制车辆。

两个子系统堆叠在一起并同时接受培训。收集了大波士顿地区许多小时的人类驾驶交通视频，并将其与有关如何在任何给定情况下如何驾驶汽车的信息一起馈入网络-直到系统学会了自动将图像与适当的位置连接并可以独立处理新情况。

该系统的控制部分(称为神经回路策略或NCP)将感知模块中的数据转换为转向命令，仅包含19个神经元。Mathias Lechner解释说，NCP比以前的最新模型小3个数量级。

（编辑：济源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!