تغییر نرم افزار هوش مصنوعی به عملکردی مانند مغز انسان توانایی یادگیری کامپیوتر را بهبود می بخشد – ScienceDaily


هوش مصنوعی رایانه ای وقتی برنامه ریزی شده باشد که از تکنیک بسیار سریع تری برای یادگیری اشیا new جدید استفاده می کند ، می تواند بیشتر مانند هوش انسانی عمل کند.

در دفتر خاطرات محدودیت ها در عصب شناسی محاسباتی، دکتر Maximilian Riesenhuber ، استاد مغز و اعصاب در مرکز پزشکی دانشگاه جورج تاون و دکتر Joshua Rule ، دانشجوی دکترای دانشگاه UC برکلی ، توضیح می دهند که چگونه این رویکرد جدید توانایی نرم افزار هوش مصنوعی را برای یادگیری سریع مفاهیم بصری جدید به طور قابل توجهی بهبود می بخشد.

Riesenhuber می گوید: “مدل ما از نظر بیولوژیکی راهی قابل قبول برای شبکه های عصبی مصنوعی برای یادگیری مفاهیم بصری جدید از تعداد کمی مثال فراهم می کند.” “ما می توانیم با استفاده از آموزش قبلی به روشی كه فکر می كنیم بازتاب دهنده مغز است ، كامپیوترها را بسیار بهتر از چند نمونه یاد بگیریم.”

افراد می توانند به سرعت و به طور دقیق مفاهیم بصری جدید را از داده های کمیاب یاد بگیرند – که فقط فقط یک مثال دارد. حتی نوزادان سه تا چهار ماهه به راحتی می توانند گورخر را تشخیص دهند و آنها را از گربه ، اسب و زرافه تشخیص دهند. رایسن هوبر توضیح می دهد ، اما رایانه ها معمولاً باید نمونه های زیادی از همان شی را “ببینند” تا بدانند که چیست.

ریشنهوبر گفت ، تغییر بزرگ مورد نیاز در طراحی نرم افزار برای شناسایی پیوندها بین کل دسته های بصری بود ، به جای اینکه یک روش استاندارد تر برای شناسایی یک شی استفاده شود ، فقط از اطلاعات کم و متوسط ​​مانند شکل و رنگ استفاده شود.

او می گوید: “قدرت محاسباتی سلسله مراتب مغز در پتانسیل ساده یادگیری با استفاده از بازنمایی های قبلاً آموخته شده از یک بانک داده پر از مفاهیم شی وجود دارد.”

Riesenhuber و Rule دریافتند که شبکه های عصبی مصنوعی ، که از نظر مفاهیم قبلاً آموخته شده ، اجسام هستند ، خیلی سریعتر مفاهیم بصری جدید را می آموزند.

این قانون توضیح می دهد ، “رویکرد ما به جای یادگیری مفاهیم سطح بالا از نظر تصویری سطح پایین ، آنها را برای سایر مفاهیم سطح بالا توضیح می دهد. مثل این است که بگوییم پلاتیپوس کمی شبیه اردک ، بیور ، و یک سمور دریایی. “

معماری مغز که اساس آموزش مفهوم بصری انسان است ، مبتنی بر شبکه های عصبی است که در شناسایی جسم دخیل هستند. تصور می شود که لوب گیجگاهی قدامی مغز شامل بازنمایی های “انتزاعی” از این مفهوم است که فراتر از شکل است. این سلسله مراتب عصبی پیچیده برای تشخیص بصری به مردم امکان می دهد کارهای جدید را یاد بگیرند و مهمتر از همه ، از یادگیری های قبلی استفاده می کنند.

Riesenhuber می گوید: “با استفاده مجدد از این مفاهیم ، می توانید راحت تر مفاهیم جدید ، معانی جدید را بیاموزید ، مانند این که گورخر فقط اسب یک نوار متفاوت است.”

دانشمندان می گویند ، علی رغم پیشرفت در هوش مصنوعی ، سیستم بینایی انسان هنوز از نظر توانایی جمع بندی از چند نمونه ، مدیریت دقیق تغییرات تصویر و فهم صحنه ها ، استاندارد طلایی است.

“یافته های ما نه تنها تکنیک هایی را ارائه می دهد که می تواند به کامپیوتر کمک کند تا سریعتر و کارآمدتر یاد بگیرد ، بلکه می تواند منجر به بهبود آزمایش های عصب شناسی با هدف درک چگونگی یادگیری سریع افراد شود ، که هنوز هم ریزنهابر نتیجه گیری می کند.

این کار تا حدی توسط آزمایشگاه ملی لارنس لیورمور و بنیاد ملی علوم (1026934 و 1232530) بورس پژوهشی پشتیبانی شد.


منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>