ساخت مدل هوش مصنوعی کم مصرف با الهام از مغز انسان

دانشمندان چینی با الهام از مغز انسان یک مدل هوش مصنوعی جدید توسعه داده اند که توانایی تقلید از عملکرد مغز انسان را با کاهش چشمگیر مصرف انرژِی دارد.

به گزارش  تکناک،این مدل هوش مصنوعی می‌تواند به درک بهتری از چگونگی پردازش اطلاعات در مغز انسان کمک کند و در نتیجه، پتانسیل تحولات عمده‌ای در فناوری‌های مرتبط با AI را فراهم می‌آورد.

آزمایش‌های این تیم چینی نشان داده‌ است که روش‌های جدید و پشتیبانی نظری می‌توانند به ادغام ویژگی‌های دینامیکی علوم اعصاب در هوش مصنوعی کمک کنند. محققان چینی پیشرفتی را اعلام کرده‌اند که می‌تواند به تغییر مسیر توسعه هوش مصنوعی  از طریق مدلی که رفتار نورون‌های مغز انسان را شبیه‌سازی می‌کند کمک کند.

مدل جدید هوش مصنوعی که توسط این تیم توسعه یافته، توانایی دسترسی به قدرت‌های محاسباتی بدون استفاده از انرژی زیاد پردازنده‌های سیلیکونی را داراست.

بر اساس گزارش ساوت چاینا مورنینگ پست، دانشمندان در تلاش بوده‌اند تا شکاف موجود بین عملکرد پیچیده و قدرتمند مدل‌های هوش مصنوعی و پیچیدگی‌های داخلی مغز انسان را پُر کنند. یافته‌های این تیم می‌تواند به توسعه‌ی سیستم‌های هوش مصنوعی منجر شود که به پردازنده‌ها یا تراشه‌های مبتنی بر سیلیکون وابسته نیستند

نیاز به سیستم های هوش مصنوعی کم مصرف

در حالی که هوش مصنوعی کاربردهای زیادی دارد، رشد آن منجر به افزایش تقاضا برای انرژی نیز شده است. مدل‌های هوش مصنوعی مصرف‌کننده‌های بزرگ انرژی هستند و با نقش روزافزون هوش مصنوعی در همه زمینه‌ها، در حال افزایش است.

در طرف مقابل این طیف، مغز انسان قرار دارد، پیچیده‌تر از هر مدل هوش مصنوعی دیگری که تا به امروز ساخته شده است، که برای انجام تمام وظایفش تنها به بخش کوچکی از انرژی نیاز دارد.

بنابراین، دانشمندان موسسه اتوماسیون آکادمی علوم چین و دانشگاه پکن با هدف توسعه یک مدل هوش مصنوعی که می‌تواند کارهای بیشتری را با مصرف انرژی بسیار کمتر انجام دهد، گرد هم آمدند.

عملکرد این مدل هوش مصنوعی بسیار ساده‌تر است و قصد دارد چندین مدل چند منظوره را ارائه کند که احتمالاً توانایی های شناختی بهتری دارند.

مدل جدید بر اساس عملکرد درونی مغز انسان

دانشمندان مرتبط با این پروژه از مدل جدید به عنوان “مدل پیچیدگی داخلی” یاد می کنند. این نام به این دلیل است که سعی می کند با استفاده از کسری از انرژی، فعالیت های درونی مغز را برای تکمیل وظایف خود تکرار کند.

طبق گزارش شین‌هوا، آزمایش‌های انجام‌شده توسط تیم تحقیقاتی اثربخشی مدل پیچیدگی داخلی را در انجام وظایف متعدد تثبیت کرد. آزمایش‌ها همچنین نشان داد که این مدل می‌تواند روش‌ها و پشتیبانی نظری جدیدی را برای ادغام ویژگی‌های دینامیکی علوم اعصاب در هوش مصنوعی و همچنین ارائه راه‌حل‌های عملی برای بهینه‌سازی و افزایش عملکرد عملی مدل‌های هوش مصنوعی ارائه کند.

محققان توانسته‌اند شبکه هوچکین-هاکسلی (HH) با پیچیدگی داخلی غنی ایجاد کنند و ثابت کنند که عملکرد آن با شبکه‌های نشتی بزرگ‌تر ادغام و آتش (LIF) برابر است. در حوزه هوش مصنوعی (AI)، باور بر این است که شبکه‌های عصبی که بزرگ‌تر، عمیق‌تر و گسترده‌تر می‌شوند، رویکرد اصلی برای حل مشکلات مدل‌سازی هستند، که این روش را می‌توان “مدل بزرگ با پیچیدگی خارجی” نامید.

 در این تحقیق رویکردی دیگر معرفی شد  که “مدل کوچک با پیچیدگی داخلی” نام دارد و می‌تواند در ساخت مدل‌های هوش مصنوعی بزرگ‌تر و کارآمدتر مورد استفاده قرار گیرد تا ویژگی‌های غنی در نورون‌ها ترکیب شوند.

برای نشان دادن این ایده، یک شبکه HH با پیچیدگی داخلی غنی ساخته شده است که در آن هر نورون یک مدل HH است، و این ثابت شده که ویژگی‌های دینامیکی و عملکرد این شبکه می‌تواند با شبکه LIF که هر نورون آن یک نورون LIF با پیچیدگی داخلی ساده است، برابر باشد.