Новое исследование показало, что искусственный интеллект, обладающий способностью заглядывать внутрь себя и точно настраивать свою собственную нейронную сеть, работает лучше, когда он предпочитает разнообразие отсутствию разнообразия. Полученные в результате разнообразные нейронные сети были особенно эффективны при решении сложных задач.
“Мы создали тестовую систему с нечеловеческим интеллектом, искусственным интеллектом (ИИ), чтобы увидеть, предпочтет ли ИИ разнообразие отсутствию разнообразия и улучшит ли его выбор производительность ИИ”, – говорит Уильям Дитто, профессор физики Университета штата Северная Каролина, директор из Лаборатории нелинейного искусственного интеллекта штата Северная Каролина (NAIL) и соавтор работы. “Ключевым моментом было дать ИИ возможность заглянуть внутрь себя и узнать, как он учится”.
Нейронные сети – это продвинутый тип искусственного интеллекта, основанный на том, как работает наш мозг. Наши естественные нейроны обмениваются электрическими импульсами в соответствии с силой их связей. Искусственные нейронные сети создают столь же прочные связи, регулируя числовые веса и смещения во время тренировок.
Например, нейронную сеть можно обучить распознавать фотографии собак, просеивая большое количество фотографий, делая предположение о том, изображена ли на фотографии собака, видя, насколько она удалена, а затем корректируя ее вес и смещения до тех пор, пока они не станут ближе к реальности.
Обычный искусственный интеллект использует нейронные сети для решения задач, но эти сети обычно состоят из большого количества идентичных искусственных нейронов. Количество и сила связей между этими идентичными нейронами могут меняться по мере обучения, но как только сеть оптимизирована, эти статические нейроны и являются сетью.
Команда Ditto, с другой стороны, предоставила своему искусственному интеллекту возможность выбирать количество, форму и силу связи между нейронами в своей нейронной сети, создавая подсети с различными типами нейронов и силой связи внутри сети по мере обучения.
“В нашем реальном мозге есть более одного типа нейронов”, – говорит Дитто. “Итак, мы дали нашему искусственному интеллекту возможность заглянуть внутрь себя и решить, нужно ли ему изменять состав своей нейронной сети. По сути, мы дали ему ручку управления его собственным мозгом. Таким образом, он может решить проблему, посмотреть на результат и изменять тип и состав искусственных нейронов до тех пор, пока не найдет наиболее выгодный. Это метаобучение для искусственного интеллекта.
“Наш искусственный интеллект также мог бы выбирать между разнообразными или однородными нейронами”, – говорит Дитто. “И мы обнаружили, что в каждом случае искусственный интеллект выбирал разнообразие как способ повысить свою производительность”.
Команда проверила точность искусственного интеллекта, попросив его выполнить стандартное упражнение по числовой классификации, и увидела, что его точность повышается по мере увеличения количества нейронов и их разнообразия. Стандартный однородный ИИ мог идентифицировать числа с точностью 57%, в то время как разнообразный ИИ с метаобучением смог достичь точности 70%.
По словам Дитто, ИИ, основанный на разнообразии, в 10 раз точнее обычного ИИ при решении более сложных задач, таких как предсказание качания маятника или движения галактик.
“Мы показали, что если вы дадите ИИ возможность заглянуть внутрь себя и узнать, как он учится, это изменит его внутреннюю структуру — структуру его искусственных нейронов — чтобы охватить разнообразие и улучшить его способность учиться и решать проблемы эффективно и более точно”, – говорит Дитто. “Действительно, мы также заметили, что по мере того, как проблемы становятся более сложными и хаотичными, производительность повышается еще более значительно по сравнению с ИИ, который не учитывает разнообразие”.