Xavier Boyer
Selon une nouvelle étude, une intelligence artificielle capable de regarder à l’intérieur et d’affiner son propre réseau neuronal est plus performante lorsqu’elle choisit la diversité plutôt que le manque de diversité. Les divers réseaux de neurones qui en ont résulté se sont révélés particulièrement efficaces pour résoudre des tâches complexes.
“Nous avons créé un système de examination avec une intelligence non humaine, une intelligence artificielle (IA), pour voir si l’IA choisirait la diversité plutôt que le manque de diversité et si son choix améliorerait les performances de l’IA”, explique William Ditto, professeur de physique à la North Carolina Point out University, directeur du laboratoire d’intelligence artificielle non linéaire (NAIL) de NC State et co-auteur correspondant de l’ouvrage. “La clé était de donner à l’IA la capacité de regarder à l’intérieur et d’apprendre remark elle apprend.”
Les réseaux de neurones sont un type avancé d’IA vaguement basé sur le fonctionnement de notre cerveau. Nos neurones naturels échangent des impulsions électriques en fonction de la power de leurs connexions. Les réseaux de neurones artificiels créent des connexions tout aussi fortes en ajustant les pondérations numériques et les biais pendant les séances d’entraînement. Par exemple, un réseau neuronal peut être entraîné à identifier des images de chiens en passant au crible un grand nombre de shots, en devinant si la image est celle d’un chien, en voyant à quelle distance elle se trouve, puis en ajustant ses poids et ses biais jusqu’à ce qu’ils soient détectés. sont furthermore proches de la réalité.
L’IA conventionnelle utilise des réseaux de neurones pour résoudre des problèmes, mais ces réseaux sont généralement composés d’un grand nombre de neurones artificiels identiques. Le nombre et la drive des connexions entre ces neurones identiques peuvent changer au fur et à mesure de l’apprentissage, mais une fois le réseau optimisé, ces neurones statiques constituent le réseau.
L’équipe de Ditto, quant à elle, a donné à son IA la possibilité de choisir le nombre, la forme et la force de connexion entre les neurones de son réseau neuronal, créant ainsi des sous-réseaux de différents forms de neurones et forces de connexion au sein du réseau au fur et à mesure de son apprentissage.
“Nos vrais cerveaux possèdent as well as d’un form de neurones”, explique Ditto. “Nous avons donc donné à notre IA la capacité de regarder à l’intérieur et de décider si elle devait modifier la composition de son réseau neuronal. Essentiellement, nous lui avons donné le bouton de contrôle de son propre cerveau. Pour qu’elle puisse résoudre le problème, regardez le résultat, et changer le form et la combinaison de neurones artificiels jusqu’à ce qu’il trouve celui qui est le in addition avantageux. C’est du méta-apprentissage pour l’IA.
“Notre IA pourrait également choisir entre des neurones divers ou homogènes”, explique Ditto. “Et nous avons constaté que dans chaque cas, l’IA choisissait la diversité comme moyen de renforcer ses performances.”
L’équipe a testé la précision de l’IA en lui demandant d’effectuer un exercice de classification numérique typical et a constaté que sa précision augmentait à mesure que le nombre de neurones et la diversité neuronale augmentaient. Une IA normal et homogène pourrait identifier les chiffres avec une précision de 57 %, tandis qu’une IA diversifiée de méta-apprentissage était able d’atteindre une précision de 70 %.
Selon Ditto, l’IA basée sur la diversité est jusqu’à 10 fois as well as précise que l’IA conventionnelle pour résoudre des problèmes additionally complexes, tels que la prédiction du mouvement d’un pendule ou du mouvement des galaxies.
“Nous avons montré que si vous donnez à une IA la capacité de regarder à l’intérieur et d’apprendre remark elle apprend, elle changera sa framework interne – la framework de ses neurones artificiels – pour embrasser la diversité et améliorer sa capacité à apprendre et à résoudre des problèmes de manière efficace et efficace. as well as précisément”, dit Ditto. “En effet, nous avons également observé qu’à mesure que les problèmes deviennent moreover complexes et chaotiques, les performances s’améliorent encore additionally considérablement par rapport à une IA qui n’embrasse pas la diversité.”
La recherche apparaît dans Scientific Stories et a été soutenue par l’Office of Naval Exploration (sous subvention N00014-16-1-3066) et par United Therapeutics. John Lindner, professeur émérite de physique au College of Wooster et professeur invité au NAIL, est co-auteur correspondant. Anshul Choudhary, ancien étudiant diplômé de NC Point out, est le premier auteur. Anil Radhakrishnan, étudiant diplômé de NC Point out, et Sudeshna Sinha, professeur de physique à l’Institut indien d’enseignement et de recherche scientifiques Mohali, ont également contribué aux travaux.
