El año pasado, investigadores del MIT dieron a conocer una red neuronal "líquida" modelada a partir de los cerebros de criaturas diminutas. Para tareas prácticas y críticas para la seguridad, como conducir y volar, estamos hablando de una clase de modelos de aprendizaje automático robustos y adaptables que pueden aprender en el trabajo y adaptarse a condiciones cambiantes. La adaptabilidad de estas redes neuronales "líquidas" fortalece la comunicación de nuestro mundo interconectado, lo que significa una mejor toma de decisiones para una variedad de tareas intensivas en datos de series temporales, como el monitoreo del corazón y el cerebro, el pronóstico del tiempo y el precio de las acciones.
Sin embargo, a medida que aumenta la cantidad de neuronas y sinapsis en estos modelos, se vuelven costosos desde el punto de vista computacional y requieren programas informáticos engorrosos para resolver las matemáticas complejas en su núcleo. Y al igual que con muchos fenómenos físicos, resolver toda esta aritmética se vuelve más difícil con el tamaño, lo que requiere calcular muchos pasos pequeños para llegar a una solución.
El mismo equipo de científicos encontró una manera de reducir este cuello de botella resolviendo la ecuación diferencial que subyace a la conexión de dos neuronas a través de sinapsis para revelar una nueva clase de sistemas de IA rápidos y eficientes. Si bien estos modos son mucho más rápidos y escalables que las redes neuronales líquidas, comparten las mismas características flexibles, causales, robustas y explicables.
Como resultado, debido a que son pequeños y flexibles incluso después del entrenamiento, a diferencia de muchos modelos tradicionales que son fijos, este tipo de red neuronal se puede usar para cualquier tarea que implique obtener información sobre los datos a lo largo del tiempo.
Los modelos de redes neuronales de “tiempo continuo de forma cerrada” (CfC) superaron a sus contrapartes de última generación en una variedad de tareas que incluyen el procesamiento secuencial de imágenes basado en eventos, el modelado de la dinámica física de un robot que camina simulado y el reconocimiento de la actividad humana de sensores de movimiento. Por ejemplo, los nuevos modelos fueron 8.000 veces más rápidos en una muestra de 220 pacientes para una tarea de predicción médica.
Según la profesora del MIT Daniela Rus, directora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y autora principal del nuevo artículo, "los nuevos modelos de aprendizaje automático, que llamamos 'CfC', se centran en la integración numérica, reemplazando la ecuación diferencial que describe el cálculo de la neurona con un enfoque de forma cerrada conserva las hermosas propiedades de las mallas líquidas sin necesidad de “Los modelos CfC son eficientes, causales, condensados y explicables para entrenar y predecir. Abren la puerta al aprendizaje automático confiable para aplicaciones esenciales para la seguridad”.
Podemos calcular el estado cambiante del mundo o un fenómeno a lo largo del tiempo usando ecuaciones diferenciales, pero solo podemos hacerlo paso a paso a lo largo del tiempo. El equipo rebuscó en sus bolsas de trucos matemáticos para encontrar la solución perfecta.
Una solución de "forma cerrada" que modela la descripción completa de un sistema completo en un solo paso computacional para modelar eventos naturales a lo largo del tiempo y comprender el comportamiento pasado y presente, como reconocer actividades humanas o el camino seguido por un robot.
Su modelo permite calcular esta ecuación en cualquier punto del pasado o del futuro. No solo eso, el cálculo es mucho más rápido ya que no es necesario resolver la ecuación diferencial paso a paso.
Imagine una red neuronal de extremo a extremo que utiliza una cámara integrada en un automóvil para proporcionar información sobre la conducción. La red está entrenada para producir resultados como el ángulo de dirección del automóvil. En 2020, el equipo logró crear un automóvil que podría ser conducido por 19 neuronas y un pequeño módulo de detección utilizando redes neuronales fluidas de 19 nodos. Cada nodo del sistema se describe mediante una ecuación diferencial. Dado que la solución de forma cerrada es una buena aproximación de la dinámica real del sistema, cambiarla en esta malla dará como resultado exactamente el comportamiento que está buscando. Como resultado, pueden resolver el problema con incluso menos neuronas, lo que hace que el proceso sea más rápido y menos costoso computacionalmente.
Fuente y lecturas adicionales: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html
Günceleme: 21/11/2022 14:03
Sé el primero en comentar