هوش مصنوعی برای یادگیری کار جدید نیاز به خواب دارد!
تیم تحریریه- ۲۲ آبان ۱۴۰۱
هوش مصنوعی برای یادگیری کار جدید بدون فراموش کردن آخرین کار از خواب مصنوعی استفاده می‌کند. بسیاری از هوش‌های مصنوعی تنها در یک کار، خوب عمل می‌کنند و چنانچه کار دیگری را یاد بگیرند، تمامی آنچه را می‌دانند فراموش خواهند کرد، در‌حالی‌که نوعی خواب مصنوعی می‌تواند به جلوگیری از این اتفاق کمک نماید.
به گزارش هوشیو، هوش مصنوعی می‌تواند با تقلید از روشی که خواب به ما کمک می‌کند تا آموخته‌هایمان را در ساعات بیداری تقویت کنیم، این روند را آموخته و به یاد بیاورد که چگونه چندین کار را به صورت توامان انجام دهد.
ماکسیم باژنوف از دانشگاه کالیفرنیا در سن دیگو می‌گوید: «در‌حال‌حاضر یک گرایش بزرگ برای ارائه ایده‌هایی از علوم اعصاب و زیست‌شناسی، به‌منظور بهبود یادگیری ماشینی موجود وجود دارد و خواب یکی از آنهاست.»
بسیاری از هوش‌های مصنوعی تنها می‌توانند بر یک مجموعه از کارهای کاملاً تعریف‌شده تسلط پیدا کنند، آنها نمی‌توانند بعداً و بدون از‌دست‌دادن تمامی آن چیزی که قبلاً آموخته‌اند، دانش بیشتری را کسب نمایند. پاول ساندا از آکادمی علوم چک در جمهوری چک می‌گوید: «اگر می‌خواهید سیستم‌هایی را توسعه دهید که به اصطلاح به‌صورت مادام‌العمر قادر به یادگیری هستند، مشکل فراموشی آموخته‌های قبلی برایتان مطرح خواهد شد. یادگیری مادام‌العمر نحوه جمع‌آوری دانش توسط انسان، برای سازگاری با چالش‌های آینده و حل آن است.»
باژنوف، ساندا و همکارانشان، یک شبکه عصبی- spiking شبکه‌ای متصل از نورون‌های مصنوعی شبیه ساختار مغز انسان را آموزش دادند، تا دو کار مختلف را بدون بازنویسی اتصالات آموخته‌شده از کار اول یاد بگیرند. آنها این کار را با تلاقی دوره‌های تمرین متمرکز با دوره‌های خواب‌مانند انجام دادند.
محققان خواب را در شبکه عصبی، با فعال کردن نورون‌های مصنوعی شبکه در یک الگوی نویز شبیه‌سازی کردند. آنها همچنین اطمینان حاصل کردند که صدای الهام‌گرفته از خواب، تقریباً با الگوی شلیک نورون در طول جلسات آموزشی مطابقت دارد، که راهی برای پخش مجدد و تقویت ارتباطات آموخته‌شده از هر‌دو کار است.
تیم ابتدا سعی کردند شبکه عصبی را برای اولین کار آموزش دهند، سپس کار دوم را به او آموزش دادند و در‌نهایت یک دوره خواب را در پایان به برنامه اضافه کردند. اما آنها به سرعت دریافتند که این دنباله همچنان اتصالات شبکه عصبی را که از اولین کار یاد گرفته شده بود، پاک می‌کند.
اریک دلانویس از دانشگاه کالیفرنیا در سن‌دیگو می‌گوید، در‌عوض آزمایش‌های بعدی نشان داد که در‌زمانی‌که هوش مصنوعی در‌حال یادگیری وظیفه دوم بود، «داشتن جلسات متناوب تمرین و خواب» تاثیرگذار است. این روال به تثبیت ارتباطات از اولین کار کمک کرد که در‌غیر این صورت، فراموش می‌شد.
آزمایش‌ها نشان داد که، چگونه یک شبکه عصبی پرشور که به این روش آموزش داده شده است، می‌تواند یک عامل هوش مصنوعی را قادر سازد تا دو الگوی جستجوی مختلف را در جستجوی ذرات غذایی شبیه‌سازی‌شده بیاموزد و در‌عین‌حال از ذرات سمی اجتناب کند.
Hava Siegelmann از دانشگاه ماساچوست Amherst می‌گوید: «چنین شبکه‌ای توانایی ترکیب دانش متوالی آموخته‌شده را به روش‌های هوشمندانه خواهد داشت و این یادگیری را در موقعیت‌های جدید به کار می‌برد، درست مانند حیوانات و انسان‌ها.»
Siegelmann می‌گوید: «شبکه‌های عصبی Spiking، با طراحی پیچیده و الهام‌گرفته‌شده از زیست‌شناسی، هنوز برای استفاده گسترده عملی نشده‌اند، زیرا آموزش آنها دشوار است. گام‌های بزرگ بعدی برای نشان دادن سودمندی این‌روش، مستلزم نمایش‌هایی با وظایف پیچیده‌تر در شبکه‌های عصبی مصنوعی است، که معمولاً توسط شرکت‌های فناوری استفاده می‌شود.»
یکی از مزیت‌های شبکه‌های عصبی اسپک این است که نسبت به سایر شبکه‌های عصبی از نظر انرژی کارآمدتر هستند. رایان گلدن از دانشگاه کالیفرنیا در سن‌دیگو می‌گوید: «من فکر می‌کنم در حدود یک دهه آینده، انگیزه زیادی برای انتقال به فناوری شبکه‌های جدیدتر وجود خواهد داشت. «خوب است این موضوعات را زودتر بفهمیم.»
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
