Обучение в полете

И. Иванов

Программные алгоритмы искусственного интеллекта обычно реализуют на мощных компьютерах. Как правило, исследователи сначала накапливают данные для обучения, а затем тренируют на них алгоритм. При этом на обучение программ ИИ уходит много энергии и времени, что часто сдерживает их широкое применение. Поэтому обычные компьютеры по-прежнему остаются основной элементной базой искусственных нейросетей, на которых ученые моделируют работу мозга и решают специфические для ИИ информационные задачи.

Однако эти задачи можно проще решать на базе нейроморфных сетей, работа которых похожа на работу живых нейронов. Правда, такие сети, к примеру, из электрических или оптических мемристоров, пока только развиваются. Недавно для нейроморфных вычислений появились принципиально новые устройства. Это сети нанопроволок, которые обладают привлекательным свойством всех наноматериалов — миниатюрностью.

Контакты касающихся друг друга нанопроволок позволяют переключать память в ответ на управление внешним электрическим потенциалом. Это происходит из-за изменений в проводимости контактов и делает их похожими на контакты между синапсами нейронов мозга. Исследователи уже продемонстрировали способность таких сетей решать простейшие задачи и запоминать информацию.

Недавно в журнале «Nature Communications» появилась статья, где впервые показана возможность создать на нанопроволоках ИИ, который может обучаться в режиме реального времени, что называется, в полете. Он умеет быстро приспосабливаться к реальным событиям и потоку данных окружающего мира. Этот энергоэффективный машинный интеллект разработали учёные Университета Сиднея и Университета Калифорнии в Лос-Анджелесе во главе с профессором Зденкой Кунчич (Zdenka Kuncic).

Инженеры использовали искусственную нейросеть для того, чтобы опознать и запомнить последовательность электрических импульсов, соответствующую определенному изображению. Задача была аналогична запоминанию семизначного номера телефона. Сеть прошла ключевой для ИИ тест на распознавание образов. Их выбирали из специальной базы данных, предназначенной для машинного обучения. Эта база содержит 70 тысяч небольших черно-белых изображений чисел, которые записаны от руки. При решении задачи распознавания сеть правильно идентифицировала 93,4% тестовых изображений.

Для обеих задач исходные данные непрерывно передавали в сеть, чтобы доказать ее способность непрерывно обучаться. Исследователи могли в реальном времени наблюдать, как обучение и накопление памяти улучшает результат. Важно, что для этой динамической обработки данных в режиме онлайн сеть из нанопроволок не требует объемной памяти и потребляет мало энергии.

Если данные будут непрерывно поступать в такую нейросеть, например, от каких-либо датчиков, то она сможет непрерывно их обрабатывать. Например, она сумеет все более точно и надежно классифицировать и запоминать изображения. Очевидно, что это прорывное достижение пригодится не только в гражданских исследованиях, но и в военных технологиях. Такие мозги, не требующие предварительного обучения, могли бы заметно улучшить боевую работу различных систем, например управляемых ракет или беспилотников.

Разные разности
Пишут, что...
…помидоры и томатный сок могут избавлять от кишечных бактерий, таких как сальмонелла… …прогулка на природе улучшает процессы исполнительного контроля в мозге помимо преимуществ, связанных с физическими упражнениями… …женский половой гормон эстра...
Пингвины во сне
Все мы знаем, как важен сон. В этом смысле очень тяжело молодым мамам. Первый месяц-два, когда детеныша надо кормить каждые три часа, о ночном сне можно забыть. И это тяжело, женщины знают. А как животные с этим справляются? Например — птицы? Би...
Долгожители обязаны вирусам
Почему при прочих равных условиях одни доживают до ста лет, а другие — нет? Исследователи из Копенгагенского университета решили поискать ответ на этот вопрос в кишечнике долгожителей, а точнее — в том гигантском сообществе бактерий, которы...
Сердце требует движения
Огромное количество исследователей во всем мире изучает сердечно-сосудистые заболевания и пытается найти универсальное решение. И на самом деле все они сходятся в одном: универсальное решение есть, и это — движение.