AI-system självorganiserar för att utveckla hjärnfunktioner hos komplexa organismer

By | November 21, 2023

Den här artikeln har granskats i enlighet med Science X:s redaktionella process och policys. Redaktörerna har lyft fram följande attribut samtidigt som de säkerställer innehållets trovärdighet:

verifierad

peer reviewed publikation

pålitlig källa

korrekt


Kredit: Rice University

× nära


Kredit: Rice University

Cambridge-forskare har visat att genom att införa fysiska begränsningar för ett artificiellt intelligent system (ungefär som den mänskliga hjärnan måste utvecklas och fungera inom fysiska och biologiska begränsningar) gör det möjligt för det att utveckla egenskaper hos hjärnan hos komplexa problemlösande organismer. uppgifter.

Eftersom neurala system, som hjärnan, organiserar och skapar förbindelser, måste de balansera konkurrerande krav. Till exempel behövs energi och resurser för att växa och upprätthålla nätverket i fysiskt utrymme samtidigt som nätverket optimeras för informationsbehandling. Denna avvägning formar alla hjärnor inom och mellan arter, vilket kan hjälpa till att förklara varför många hjärnor konvergerar på liknande organisatoriska lösningar.

Jascha Achterberg, Gates Scholar vid Medical Research Council Brain Sciences and Cognition Unit (MRC CBSU) vid University of Cambridge, sa: “Hjärnan är inte bara utmärkt på att lösa komplexa problem, den gör det med väldigt lite. “I vår nya arbete visar vi att att ta hänsyn till hjärnans problemlösningsförmåga tillsammans med dess mål att spendera så lite resurser som möjligt kan hjälpa oss att förstå varför hjärnor ser ut som de gör.”

Medförfattare Dr Danyal Akarca, också från MRC CBSU, tillade: “Detta härrör från en bred princip, som är att biologiska system vanligtvis utvecklas för att få ut det mesta av de energiresurser de har till sitt förfogande. Lösningarna de tillhandahåller. ofta mycket eleganta och återspeglar avvägningarna mellan olika krafter som ålagts dem.

I en studie publicerad i Nature Machine Intelligence, Achterberg, Akarca och deras kollegor skapade ett konstgjort system avsett att modellera en mycket förenklad version av hjärnan och tillämpade fysiska begränsningar. De fann att deras system utvecklade vissa nyckelfunktioner och taktiker liknande de som finns i mänskliga hjärnor.

Istället för riktiga neuroner använde systemet beräkningsnoder. Neuroner och noder har en liknande funktion, i det att var och en tar en ingång, transformerar den och producerar en utdata, och en enda nod eller neuron kan ansluta till flera andra, all inmatande information ska beräknas.

I deras system tillämpade forskarna dock en “fysisk” begränsning på systemet. Varje nod tilldelades en specifik plats i ett virtuellt utrymme, och ju längre ifrån varandra två noder var, desto svårare var det för dem att kommunicera. Detta liknar hur nervceller är organiserade i den mänskliga hjärnan.

Forskarna gav systemet en enkel uppgift att slutföra; i det här fallet, en förenklad version av en labyrintnavigeringsuppgift som vanligtvis ges till djur som råttor och makaker när du studerar hjärnan, där du måste kombinera flera bitar av information för att avgöra vilken som är den kortaste. väg för att nå slutpunkten.

En av anledningarna till att teamet valde just den här uppgiften är att för att slutföra den måste systemet underhålla ett antal element (startplats, slutplats och mellansteg) och när det väl har lärt sig att utföra uppgiften på ett tillförlitligt sätt är det möjligt att observera, vid olika tidpunkter av ett försök, vilka noder som är viktiga. Till exempel kan en viss grupp av noder koda ankomstplatser, medan andra kodar tillgängliga rutter, och det är möjligt att spåra vilka noder som är aktiva i olika skeden av uppgiften.

Inledningsvis vet systemet inte hur det ska slutföra uppgiften och gör fel. Men när man får feedback lär man sig gradvis att bli bättre på uppgiften. Den lär sig genom att ändra styrkan på anslutningarna mellan dess noder, på samma sätt som styrkan hos anslutningarna mellan hjärnceller förändras när vi lär oss. Systemet upprepar sedan uppgiften om och om igen, tills det slutligen lär sig att utföra den korrekt.

Men med deras system innebar den fysiska begränsningen att ju längre ifrån varandra två noder var, desto svårare var det att bygga en förbindelse mellan de två noderna som svar på feedback. I den mänskliga hjärnan är förbindelser som spänner över ett stort fysiskt avstånd dyra att bilda och underhålla.

När systemet ombads att utföra uppgiften under dessa begränsningar använde det några av samma knep som används av riktiga mänskliga hjärnor för att lösa uppgiften. Till exempel, för att komma runt begränsningar, började artificiella system utveckla hubbar: mycket sammankopplade noder som fungerar som kanaler för att skicka information genom nätverket.

Mest överraskande var dock att svarsprofilerna för individuella noder började förändras: med andra ord, istället för att ha ett system där varje nod kodar en viss egenskap hos labyrintuppgiften, såsom målplats eller Nästa val, utvecklade Noder en ” flexibelt kodningsschema”. Det betyder att noder vid olika tidpunkter kan aktivera en kombination av labyrintens egenskaper. Till exempel kan samma nod koda flera platser i en labyrint, snarare än att behöva specialiserade noder för att koda specifika platser. Detta är en annan egenskap som ses i hjärnan hos komplexa organismer.

Medförfattare professor Duncan Astle, från Institutionen för psykiatri i Cambridge, sa: “Denna enkla begränsning (det är svårare att koppla noder som är långt ifrån varandra) tvingar artificiella system att producera några ganska komplicerade funktioner. Intressant nog är de egenskaper som delas av biologiska system som “den mänskliga hjärnan. “Jag tror att det säger oss något grundläggande om varför våra hjärnor är organiserade som de är.”

Förstå den mänskliga hjärnan

Teamet är hoppfullt att deras artificiella intelligenssystem kan börja belysa hur dessa begränsningar formar skillnader mellan människors hjärnor och bidrar till skillnader som ses hos dem som upplever kognitiva eller psykiska svårigheter.

Medförfattare professor John Duncan från MRC CBSU sa: “Dessa konstgjorda hjärnor ger oss ett sätt att förstå de rika och förbryllande data vi ser när aktiviteten hos verkliga neuroner registreras i riktiga hjärnor.”

Achterberg tillade: “Artificiella “hjärnor” tillåter oss att ställa frågor som skulle vara omöjliga att analysera i ett verkligt biologiskt system. Vi kan träna systemet att utföra uppgifter och sedan leka experimentellt med de begränsningar vi ställer, för att se om det börjar se ut mer som hjärnan hos specifika individer”.

Implikationer för utformningen av framtida AI-system

Fynden kommer sannolikt också att vara av intresse för AI-gemenskapen eftersom de skulle kunna möjliggöra utvecklingen av mer effektiva system, särskilt i situationer där fysiska begränsningar sannolikt finns.

Dr Akarca sa: “AI-forskare försöker ständigt ta reda på hur man skapar komplexa neurala system som kan koda och fungera på ett flexibelt sätt som är effektivt. För att uppnå detta tror vi att neurobiologi kommer att ge oss mycket inspiration. För Exempel: “Den totala kabelkostnaden för systemet vi har skapat är mycket mindre än vad som skulle finnas i ett typiskt AI-system.”

Många moderna AI-lösningar involverar användning av arkitekturer som endast ytligt liknar en hjärna. Forskarna säger att deras arbete visar att den typ av problem som AI löser kommer att påverka vilken arkitektur som kommer att vara den mest kraftfulla att använda.

Achterberg sa: “Om du vill bygga ett system med artificiell intelligens som löser mänskliga problem, så kommer systemet i slutändan att se mycket mer ut som en riktig hjärna än system som körs på stora datorkluster som de är specialiserade på uppgifter som skiljer sig mycket från de där.” utförs av människor. “Arkitekturen och strukturen vi ser i vår artificiella “hjärna” finns där eftersom den är fördelaktig för att hantera de specifika hjärnliknande utmaningar den står inför.”

Det betyder att robotar som måste bearbeta en stor mängd ständigt föränderlig information med ändliga energiresurser skulle kunna dra nytta av att ha hjärnstrukturer som inte skiljer sig alltför mycket från vår.

Achterberg tillade: “Robothjärnor som är utplacerade i den verkliga fysiska världen kommer förmodligen att vara mer som våra hjärnor eftersom de kan möta samma utmaningar som vi gör.”

“De behöver hela tiden bearbeta ny information som kommer genom deras sensorer samtidigt som de kontrollerar sina kroppar för att röra sig genom rymden mot ett mål. Många system kommer att behöva köra alla sina beräkningar med ett begränsat utbud av elektrisk kraft och därför balansera dessa begränsningar energi med “För mängd information du behöver bearbeta, kommer du förmodligen att behöva en hjärnstruktur som liknar vår.”

Mer information:
Rumsligt integrerade återkommande neurala nätverk avslöjar utbredda kopplingar mellan strukturella och funktionella neurovetenskapliga fynd. Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00748-9

Tidningsinformation:
Nature Machine Intelligence

Leave a Reply

Your email address will not be published. Required fields are marked *