SpStinet - vwpChiTiet

 

Mạng nơ-ron 'lưu động' thích ứng với các điều kiện thay đổi

Các nhà nghiên cứu của MIT đã thành công trong việc phát triển một loại mạng nơ-ron linh hoạt mới có thể thay đổi các phương trình cơ bản để liên tục thích ứng với các đầu vào dữ liệu mới. Chúng có thể được ứng dụng trong việc ra quyết định dựa trên các luồng dữ liệu thay đổi theo thời gian như chẩn đoán y tế , lái xe tự động….

Dữ liệu chuỗi thời gian (chuỗi các điểm dữ liệu, thường bao gồm các phép đo liên tiếp được thực hiện từ cùng một nguồn trong một khoảng thời gian) rất phổ biến và quan trọng. Các ứng dụng xử lý video, dữ liệu tài chính và chẩn đoán y tế ,… là những ví dụ về chuỗi thời gian. Và các luồng dữ liệu này luôn thay đổi, và có thể không đoán trước được. Do đó việc phân tích dữ liệu trong thời gian thực và sử dụng chúng để dự đoán hành vi trong tương lai, góp phần thúc đẩy sự phát triển của các công nghệ mới nổi như ô tô tự lái.

Mạng nơ ron là các thuật toán nhận dạng các mẫu bằng cách phân tích một tập hợp các ví dụ "đào tạo", chúng thường được cho là bắt chước cách xử lý của não. Nhóm nghiên cứu đã thiết kế một mạng nơ-ron có thể thích ứng với sự thay đổi của các hệ thống trong thế giới thực, được gọi là mạng “lưu động”. Lấy cảm hứng trực tiếp từ loài giun tròn siêu nhỏ, C. elegans. (loài giun này chỉ có 302 tế bào thần kinh, nhưng nó có thể tạo ra những hoạt động phức tạp đến không ngờ).

Nhóm nghiên cứu đã mã hóa mạng lưới nơ-ron, các tế bào thần kinh kích hoạt và giao tiếp với nhau thông qua các xung điện. Họ cho phép các tham số thay đổi theo thời gian dựa trên kết quả của một tập hợp các phương trình vi phân lồng nhau.

Hầu hết các hành vi của mạng nơ-ron đều được khắc phục sau giai đoạn huấn luyện, có nghĩa là chúng khó có thể điều chỉnh theo các thay đổi trong luồng dữ liệu đến. Tuy nhiên với với mạng lưới "lưu động” giúp nó có khả năng phục hồi tốt, trước sự thay đổi bất ngờ hoặc nhiễu, giống như khi mưa lớn che khuất tầm nhìn của camera trên ô tô tự lái.

Ngoài tính linh hoạt, mạng “lưu động” còn “dễ hiểu” hơn. Nhờ số lượng nhỏ tế bào thần kinh biểu cảm cao, việc nhìn vào "hộp đen" trong quá trình ra quyết định của mạng và chẩn đoán lý do tại sao mạng thực hiện một đặc tính nhất định sẽ dễ dàng hơn.

Ông Ramin Hasani, thành viên chính của nhóm nghiên cứu cho biết: “Bản thân mô hình đã phong phú hơn về tính biểu hiện. Điều đó có thể giúp các kỹ sư hiểu và cải thiện hiệu suất của mạng biến đổi

Mạng mới này đã hoàn thành xuất sắc trong một loạt bài kiểm tra. Nó vượt xa các thuật toán chuỗi thời gian hiện đại khác trong việc dự đoán chính xác các giá trị tương lai trong bộ dữ liệu, từ hóa học khí quyển đến các mẫu giao thông. Thêm vào đó, kích thước nhỏ của mạng có nghĩa là nó đã hoàn thành các thử nghiệm mà không tốn kém chi phí tính toán.

Nhóm nghiên cứu có kế hoạch tiếp tục cải tiến hệ thống và sẵn sàng cho ứng dụng công nghiệp.

Nghiên cứu này sẽ được trình bày tại Hội nghị AAAI về Trí tuệ nhân tạo.

 Diệu Huyền (CESTI) - Theo Techxplore.com

Các tin khác: