نوع جدیدی از شبکههای عصبی ایجاد شده است که میتواند به تصمیمگیری در زمینه رانندگی خودکار و تشخیص پزشکی کمک شایانی کند. محققان موسسه MIT نوعی شبکه عصبی ایجاد کردهاند که نه فقط در مرحله آموزش، بلکه در تمام مراحل کار از اطلاعات ورودی برای آموزش و بهبود عملکرد خود استفاده میکند. این الگوریتمهای انعطاف پذیر شبکههای مایع نامیده میشوند و این توانایی را دارند که معادلات اساسی خود را تغییر دهند تا به طور مداوم با دادههای ورودی جدید سازگار شوند. این پیشرفت میتواند به تصمیمگیری مبتنی بر جریان دادههایی کمک کند که با گذشت زمان تغییر میکنند، از جمله در زمینههایی نظیر تشخیص پزشکی و رانندگی خودکار که هر لحظه دادهها میتوانند تغییرات عمده داشته باشند.
رامین حسنی، نویسنده اصلی این تحقیق میگوید: “پتانسیل این شبکه عصبی واقعاً قابل توجه است. این یک راه پیشرفته برای کنترل رباتها، پردازش زبان طبیعی، پردازش ویدئو و پردازش هر شکلی از دادهها است که در لحظه باید پردازش شوند.” این مطالعه توسط رامین حسنی فوق دكترا در آزمايشگاه علوم رايانهاي و هوش مصنوعي MIT و همکاران وی شامل دنيلا روس، مدير CSAIL، اندرو و ارنا ويتربي اساتید مهندسي برق و علوم رايانه و الكساندر اميني دانشجوی دكترا هستند. از دیگر همکاران حسنی میتوان به ماتیاس لچنر از انستیتوی علم و فناوری اتریش و رادو گروسو از دانشگاه فنی وین اشاره کرد.
آنها اذعان داشتند که نتیجه این تحقیقات بزودی در کنفرانس هوش مصنوعی AAAI که در ماه فوریه برگزار میشود ارائه خواهد شد. به گفته حسنی، دادههای سری زمانی در همه جا وجود دارند و برای درک ما از جهان حیاتی هستند. دنیای واقعی همه چیز درباره سکانسها است، حتی درک ما، شما در اصل تصاویر را درک نمیکنید بلکه توالی تصاویر را درک میکنید. بنابراین دادههای سری زمانی در واقع دنیای ما را ایجاد میکنند. وی به پردازش ویدئو، دادههای مالی و برنامههای تشخیص پزشکی به عنوان نمونهای از سریهای زمانی اشاره دارد که در جامعه مهم هستند.
دامنهی این جریان از دادههای همیشه در حال تغییر میتواند غیرقابل پیشبینی باشد. با این حال تجزیه و تحلیل این دادهها در لحظه و استفاده از آنها برای پیشبینی رفتار آینده میتواند توسعه فناوریهای نوظهور مانند اتومبیلهای خودران را تقویت کند. حسني يك شبكه عصبي طراحي كرده است كه ميتواند با تنوع دادههاي دنياي واقعي سازگار شود. شبکههای عصبی الگوریتمهایی هستند که با تجزیه و تحلیل مجموعهای از دادههای آموزشی الگوها را تشخیص میدهند. گفته میشود که شبکههای عصبی مسیرهای پردازش مغز انسان را تقلید میکنند.
در این تحقیق حسنی مستقیماً از C. elegans الهام گرفت. او میگوید: “این مجموعه فقط 302 نورون در سیستم عصبی خود دارد اما میتواند پویایی پیچیده و غیرمنتظرهای ایجاد کند.” حسنی با دقت در نحوه فعالسازی سلولهای عصبی C. elegans و برقراری ارتباط با آنها از طریق تکانههای الکتریکی شبکه عصبی خود را کدگذاری کرد. او در معادلاتی که برای ساخت شبکه عصبی خود استفاده کرد اجازه داد پارامترها بر اساس نتایج یک مجموعهی تو در تو از توابع تغییر کنند.
این انعطافپذیری کلیدی است. رفتار اکثر شبکههای عصبی پس از مرحله آموزش مشخص میشود و عموما کاملا یکسان هستند و این بدان معنی است که آنها در پردازش دادههای ورودی متغیر بد عمل میکنند. حسنی میگوید سیالگونه بودن شبکه عصبی مایع باعث انعطافپذیری بیشتر در برابر دادههای غیر منتظره یا پر سر و صدا میشود، مانند شرایطی که باران شدید دید دوربین روی اتومبیل خودران را پنهان میکند.
شبکه عصبی ایجاد شده در آزمایشات مربوط به پیشبینی مصرف باتریها عالی عمل کرد. این الگوریتم همچنین در سایر آزمایشات نیز با چند درصد اختلاف ناچیز در پیشبینیها همراه بوده و تقریبا در تمامی آزمایشات موفق و دقیق عمل کرده است. همچنین گفتنی است سایر آزمایشات مجموعهای متشکل از زمینههای مختلف مانند شیمی آلی تا الگوهای ترافیک و … را شامل میشده است.
حسنی میگوید: “در بسیاری از زمینهها عملکرد به طور قابل اعتمادی بالاست. بعلاوه اندازه کوچک شبکه به این معنی است که آزمایشات را بدون هزینه محاسبات زیاد میتوان انجام داد.” حسنی ادامه داد: “همه در مورد گسترش شبکه خود صحبت میکنند. اما ما میخواهیم آرام باشیم و شبکهای کوچکتر اما بسیار غنیتر داشته باشیم.” حسنی قصد دارد سیستم را مرتباً بهبود ببخشد و آن را برای کاربردهای صنعتی آماده کند.
وی میگوید: “ما یک شبکه عصبی رسا داریم که از طبیعت الهام گرفته است. اما این فقط آغاز فرآیند ما است. ما فکر میکنیم که این نوع از شبکههای عصبی میتوانند عنصر اصلی سیستمهای اطلاعاتی در آینده باشند.” گفتنی است بودجه این تحقیقات مشترکا توسط بوئینگ، بنیاد ملی علوم، صندوق علوم اتریش و سازمان قطعات الکترونیکی و سیستمهای راهبردی اروپا تأمین شده است.