Naśladowanie mózgu może poprawić wydajność AI. Znaleźli nową metodę
Naukowcy z Uniwersytetu Surrey w Wielkiej Brytanii opublikowali badania, w których dowiedli, że sztuczna inteligencja wzorując sztuczne sieci na połączeniach w ludzkim mózgu, poprawia wydajność i ogranicza zużycie energii.
Świecąca sieć neuronowa symbolizuje aktywność ludzkiego mózgu (grafika koncepcyjna)
Naukowcy z brytyjskiego Uniwersytetu Surrey opracowali metodę, która poprawia wydajność sztucznej inteligencji dzięki odwzorowaniu sieci połączeń w ludzkim mózgu. Jak wynika z ich pracy opublikowanej w czasopiśmie "Neurocomputing", naśladowanie połączeń neuronowych mózgu może znacząco poprawić wydajność sztucznych sieci neuronowych wykorzystywanych w generatywnej sztucznej inteligencji i innych nowoczesnych modelach AI, takich jak ChatGPT.
Mniej połączeń, lepsza efektywność
"Nasza praca pokazuje, że inteligentne systemy można budować znacznie wydajniej, zmniejszając zapotrzebowanie na energię bez utraty wydajności" - przekazał współautor badania dr Roman Bauer z brytyjskiego Uniwersytetu Surrey na łamach BBC.
Topograficzne Mapowanie Rzadkie, o którym piszą autorzy badania, łączy każdy neuron tylko z pobliskimi lub pokrewnymi neuronami, podobnie jak ludzki mózg efektywnie organizuje informacje.
Naukowcy stwierdzili, że model ten wyeliminował potrzebę ogromnej liczby zbędnych połączeń, poprawiając wydajność w bardziej zrównoważony sposób bez utraty dokładności. "Trenowanie wielu popularnych obecnie dużych modeli sztucznej inteligencji (AI) może zużywać ponad milion kilowatogodzin energii elektrycznej. To po prostu nie jest zrównoważone w tempie, w jakim AI nadal się rozwija" - dodał dr Bauer.
Co ustalili naukowcy?
Ulepszona wersja o nazwie Enhanced Topographical Sparse Mapping (co można tłumaczyć jako Ulepszone Mapowanie Topograficzne Rzadkich Sieci), idzie o krok dalej, wprowadzając biologicznie inspirowany proces "przycinania" połączeń w czasie treningu. Jest to podobne do sposobu, w jaki mózg stopniowo udoskonala połączenia neuronowe w trakcie uczenia się.
Zespół bada również zastosowania metody w innych obszarach, m.in. w tworzeniu bardziej realistycznych komputerów neuromorficznych, czyli podejścia obliczeniowego inspirowanego strukturą i funkcjonowaniem ludzkiego mózgu.
