हमारे मस्तिष्क में गहरी सीखने की दुनिया को समझने के लिए?

जब तुरंत डॉ ब्लेक रिचर्ड्स के बारे में सुना गहरी सीखने, वह एहसास हुआ कि वह का सामना करना पड़ा था के साथ न केवल एक तरीका है कि revolutionairy कृत्रिम खुफिया है । उन्होंने महसूस किया कि कुछ देख मौलिक रूप से मानव मस्तिष्क है । यह की शुरुआत थी 2000 के दशक में, और रिचर्ड्स आयोजित एक विश्वविद्यालय के पाठ्यक्रम में टोरंटो के साथ-साथ ज्योफ हिंटन. करने के लिए हिंटन, जो एक था के originators एल्गोरिथ्म के साथ, दुनिया को जीत की पेशकश करने के लिए परिचय पढ़ने के लिए अपने विधि की शिक्षा के लिए प्रेरित मानव मस्तिष्क द्वारा.

कुंजी शब्द यहाँ हैं "से प्रेरित मस्तिष्क है." के बावजूद की सजा रिचर्ड्स, शर्त के खिलाफ खेला । मानव मस्तिष्क, के रूप में इसे बाहर कर दिया, महत्वपूर्ण कार्य किया है, जो प्रोग्राम के एल्गोरिदम में गहरी सीखने. सतह पर इन एल्गोरिदम का उल्लंघन बुनियादी जैविक तथ्यों पहले से ही सिद्ध किया गया neuroscientists द्वारा.

लेकिन क्या अगर गहरी सीखने और मस्तिष्क वास्तव में संगत है?

और अब, एक नए अध्ययन में प्रकाशित eLife, रिचर्ड्स के साथ काम करना, DeepMind, प्रस्तावित एक नई एल्गोरिथ्म पर आधारित जैविक संरचना में न्यूरॉन्स की पायेंगे. प्रांतस्था, सेरेब्रल कॉर्टेक्स, है, घर के लिए उच्चतम संज्ञानात्मक कार्यों के रूप में इस तरह के तर्क, अनुमान और लचीला सोच रही है.

टीम में शामिल हो गए कृत्रिम न्यूरॉन्स में एक बहुस्तरीय नेटवर्क, और सेट करने के लिए, यह कार्य की शास्त्रीय कंप्यूटर दृष्टि है की पहचान करने के लिए हस्तलिखित अंक.

नई एल्गोरिथ्म अच्छी तरह से किया. लेकिन क्या अधिक महत्वपूर्ण है: वह विश्लेषण के नमूने के लिए प्रशिक्षण, के रूप में एल्गोरिदम गहरी सीखने के लिए है, लेकिन बनाया गया था पर पूरी तरह से मौलिक जीव विज्ञान मस्तिष्क के.

"गहरी सीखने में संभव है एक जैविक संरचना है," वैज्ञानिकों ने निष्कर्ष निकाला है.

क्योंकि फिलहाल यह मॉडल एक कंप्यूटर संस्करण है, रिचर्ड्स की उम्मीद करने के लिए डंडों से पारित करने के लिए प्रयोगात्मक neuroscientists, जो मदद कर सकता है आप के लिए जाँच करें कि क्या इस एल्गोरिथ्म में एक वास्तविक मस्तिष्क.

यदि हाँ, तो डेटा स्थानांतरित किया जा सकता करने के लिए कंप्यूटर वैज्ञानिकों को विकसित करने के लिए व्यापक समानांतर और कुशल एल्गोरिदम पर काम करेंगे कि हमारी कारों. इस दिशा में पहला कदम है के विलय के दो क्षेत्रों में "गुणी चक्र नृत्य" की खोज और नवाचार.

scapegoating

हालांकि आप शायद सुना है कि कृत्रिम बुद्धि हाल ही में पीटा सबसे अच्छा के साथ सबसे अच्छा जाना है, आप कर रहे हैं पता करने की उम्मीद नहीं बताएंगे कि कैसे एल्गोरिदम के आधार पर काम इस कृत्रिम बुद्धि ।

संक्षेप में, गहरी सीखने के आधार पर एक कृत्रिम तंत्रिका नेटवर्क के साथ एक आभासी "न्यूरॉन्स". के रूप में सबसे ऊंची गगनचुंबी इमारत है, नेटवर्क में संरचित है एक पदानुक्रम: कम स्तर न्यूरॉन्स प्रसंस्करण इनपुट, उदाहरण के लिए, क्षैतिज या ऊर्ध्वाधर सलाखों के रूप में है कि अंक 4, और न्यूरॉन्स के साथ इलाज किया एक उच्च स्तर के अमूर्त पहलुओं की संख्या 4 है ।

प्रशिक्षित करने के लिए नेटवर्क है, और तुम उसे देने में उदाहरण के लिए क्या देख रहे हैं. संकेत के माध्यम से प्रसारित नेटवर्क (इमारत की सीढ़ियों), और प्रत्येक न्यूरॉन की कोशिश कर रहा है अनुभव करने के लिए कुछ मौलिक काम में चौकड़ी की.

के रूप में बच्चों को कुछ नया सीखने, पहली नेटवर्क नहीं है उपहार बहुत अच्छी तरह से. वह सब कुछ देता है कि, उसकी राय में, लग रहा है की तरह एक नंबर चार और की भावना में पिकासो.

लेकिन यह कहानी की सीख: एल्गोरिथ्म तुलना आउटपुट के साथ आदर्श इनपुट गणना करता है और उन दोनों के बीच अंतर (पढ़ें: गलतियों). त्रुटि है "वापस प्रचारित किया" नेटवर्क के माध्यम से, शिक्षा के लिए प्रत्येक न्यूरॉन, वे कहते हैं, नहीं है क्या आप के लिए देख रहे हैं, बेहतर लग रही है ।

के बाद लाखों लोगों के उदाहरण और repetitions, नेटवर्क शुरू करने के लिए पूरी तरह से काम.

त्रुटि संकेत के लिए अत्यंत महत्वपूर्ण है सीखने. के बिना एक प्रभावी "वापस-प्रचार" नेटवर्क पता नहीं होगा जो की अपने न्यूरॉन्स गलत कर रहे हैं. की खोज में एक बलि का बकरा कृत्रिम बुद्धि में सुधार ही है.

मस्तिष्क करता है, भी है. लेकिन कैसे? हम कोई पता नहीं है.

जैविक मृत अंत

स्पष्ट विकल्प: एक समाधान के साथ प्रशिक्षण काम नहीं कर रहा है.

वापस प्रचार त्रुटि के एक बहुत ही महत्वपूर्ण कार्य है । यह एक निश्चित आवश्यकता है बुनियादी ढांचे के काम करने के लिए ठीक से.

<पी>सबसे पहले, प्रत्येक न्यूरॉन नेटवर्क में प्राप्त करना चाहिए त्रुटि अधिसूचना । लेकिन मस्तिष्क में न्यूरॉन्स से जुड़े रहे हैं केवल के साथ कई भागीदारों में नीचे की ओर (अगर जुड़ा हुआ नहीं है). रिवर्स करने के लिए प्रसार करने में काम किया है, मस्तिष्क न्यूरॉन्स पहले स्तर पर अनुभव करना चाहिए जानकारी के अरबों से कनेक्शन में उतरते चैनल — और यह जैविक रूप से असंभव है.

और जबकि कुछ गहरी सीखने एल्गोरिदम अनुकूलन स्थानीय रूप से त्रुटि वापस-प्रसार अनिवार्य रूप से न्यूरॉन्स के बीच — यह आवश्यकता है कि कनेक्शन है, आगे और पीछे की ओर सममित है. में synapses के मस्तिष्क ऐसा नहीं होता है लगभग कभी नहीं.

और अधिक आधुनिक एल्गोरिदम अनुकूल एक अलग रणनीति लागू करने, एक अलग राय पथ में मदद करता है जो न्यूरॉन्स त्रुटियों को खोजने के लिए स्थानीय स्तर पर. हालांकि इसे और अधिक व्यवहार्य जैविक रूप से, मस्तिष्क नहीं करता है, एक अलग नेटवर्क के लिए समर्पित खोज के लिए बलि का बकरा है ।

लेकिन यह भी न्यूरॉन्स के साथ जटिल संरचनाओं के विपरीत, सजातीय "गेंदों", जो वर्तमान में कर रहे हैं में इस्तेमाल किया गहरी सीखने.

शाखाओं में बंटी नेटवर्क

वैज्ञानिकों से प्रेरणा आकर्षित पिरामिड कोशिकाओं आबाद है कि प्रांतस्था के मानव मस्तिष्क है.

"के सबसे इन न्यूरॉन्स की तरह आकार का पेड़, अपनी जड़ों में गहरी जाने मस्तिष्क, और "शाखाओं" की सतह पर आते हैं, कहते हैं," रिचर्ड्स है । "दिलचस्प है, जड़ों को कुछ इनपुट सेट और शाखाओं...."

उत्सुक है, लेकिन संरचना के न्यूरॉन्स अक्सर है "करने के लिए बिल्कुल कैसे" के लिए प्रभावी समाधानकम्प्यूटेशनल कार्यों. लो, उदाहरण के लिए, प्रसंस्करण की उत्तेजना: के नीचे पिरामिड न्यूरॉन्स स्थित हैं जहां आप की जरूरत है पाने के लिए, स्पर्श इनपुट, और सबसे ऊपर हैं अच्छी तरह से-के लिए तैनात संचरण त्रुटियों प्रतिक्रिया के माध्यम से.

इस जटिल संरचना करने के लिए एक विकासवादी समाधान का मुकाबला करने के लिए गलत संकेत है?

वैज्ञानिकों ने बनाया है एक multilayered तंत्रिका नेटवर्क के आधार पर पिछले एल्गोरिदम. लेकिन के बजाय सजातीय न्यूरॉन्स वे जैसे लगते हैं, न्यूरॉन्स के बीच परतों के बीच sandwiched इनपुट और आउटपुट — असली बात करने के समान है । सीखने हस्तलिखित अंक, एल्गोरिथ्म साबित किया जा करने के लिए की तुलना में ज्यादा बेहतर एकल नेटवर्क के अभाव के बावजूद, शास्त्रीय त्रुटि वापस-प्रसार है. सेल संरचना की पहचान करने में सक्षम था त्रुटि. तो, सही समय पर, न्यूरॉन दोनों को जोड़ती है एक जानकारी के स्रोत के लिए सबसे अच्छा समाधान ढूँढना.

यह एक जैविक आधार: neuroscientists लंबे समय से जाना जाता है कि इनपुट की शाखाओं को न्यूरॉन के बाहर ले जाने स्थानीय गणना कर सकते हैं कि एकीकृत किया जा सकता संकेत के साथ वापस-प्रसार से उत्पादन शाखाओं. लेकिन हम नहीं जानते कि क्या मस्तिष्क काम करता है वास्तविकता में — इसलिए, रिचर्ड्स के निर्देश दिए neuroscientists के लिए बाहर का पता लगाएं.

इसके अलावा, इस नेटवर्क संभालती है एक समस्या है करने के लिए इसी तरह की पारंपरिक विधि गहरी सीखने को पढ़ने के लिए: का उपयोग करता है एक बहुपरत संरचना को निकालने के लिए उत्तरोत्तर अधिक अमूर्त विचारों के बारे में....

"यह की एक विशेषता है गहरी सीखने," समझाने के लेखकों.

गहरी मस्तिष्क सीखने

एक शक के बिना, इस कहानी को और अधिक हो जाएगा twists और मुड़ता है, क्योंकि कंप्यूटर वैज्ञानिकों और अधिक बनाने और अधिक जैविक विस्तार से एल्गोरिदम में एअर इंडिया है. रिचर्ड्स और उनकी टीम पर विचार के भविष्य कहनेवाला समारोह ऊपर से नीचे है, जब संकेतों से उच्च स्तर सीधे प्रभावित कैसे कम स्तर इनपुट करने के लिए प्रतिक्रिया.

प्रतिक्रिया से ऊपरी स्तर में सुधार न केवल संकेत की त्रुटियों; यह भी कर सकते हैं न्यूरॉन्स को प्रोत्साहित करने के लिए निम्न स्तर के प्रसंस्करण काम करने के लिए "बेहतर", वास्तविक समय में रिचर्ड्स कहते हैं. जब तक नेटवर्क को पार कर गया है अन्य गैर-जैविक नेटवर्क गहरी सीखने. लेकिन यह बात नहीं है ।

"गहरी सीखने है पर एक भारी प्रभाव पड़ा एअर इंडिया है, लेकिन तारीख करने के लिए पर इसके प्रभाव तंत्रिका विज्ञान तक ही सीमित था," कहते हैं कि इस अध्ययन के लेखक. अब neuroscientists अवसर होगा का संचालन करने के लिए एक पायलट परीक्षण और जानने के लिए है की संरचना में न्यूरॉन्स के आधार प्राकृतिक एल्गोरिथ्म की गहरी सीखने. शायद अगले दस वर्षों में शुरू हो जाएगा एक पारस्परिक रूप से लाभप्रद के बीच डेटा विनिमय के neuroscientists और शोधकर्ताओं में कृत्रिम बुद्धि ।