Nakapag-develop ang mga mananaliksik sa FORTH ng isang bagong uri ng artificial neural network (ANN) na nagsasama ng mahahalagang katangian ng biological dendrites. Ang makabagong disenyo na ito ay nagbibigay-daan sa mas tumpak at matibay na pagkilala ng imahe habang gumagamit ng mas kaunting mga parameter, na maaaring humantong sa mas compact at mas matipid sa enerhiyang mga AI system.
Ang Artificial Intelligence (AI) ay may mahalagang papel sa pagpapalakas ng inobasyon at pagpapabuti ng kahusayan sa iba’t ibang industriya. Nagbibigay ito ng mas matatalinong solusyon sa mga komplikadong problema at pinapadali ang pang-araw-araw na gawain. Gayunpaman, ang kasalukuyang mga AI system ay napakalaki, na may milyon-milyon hanggang bilyun-bilyong parameter, kaya't nangangailangan ito ng napakalaking konsumo ng enerhiya, na naglilimita sa mas malawak nitong paggamit.
Sa pamamagitan ng pagsasama ng mga katangiang hango sa utak ng tao sa AI, maaaring makalikha ng mas maliit at mas matalinong mga sistema na ginagaya ang paraan ng pagpoproseso ng impormasyon ng utak. Pinapahusay nito ang kakayahan ng AI sa pagkilala ng mga pattern at paggawa ng desisyon, na nagreresulta sa mas episyenteng paggamit nito.
Ang Dendrites ay ang mga sanga ng neuron na kahawig ng mga sanga ng puno. Ang pangunahing tungkulin nito ay tumanggap ng impormasyon mula sa ibang mga neuron at ipadala ito sa katawan ng selula. Sa loob ng maraming taon, hindi tiyak ang papel ng dendrites sa pagpoproseso ng impormasyon, ngunit ipinakita ng mga bagong pag-aaral na kaya nitong magsagawa ng kumplikadong mga kalkulasyon nang hindi umaasa sa pangunahing neuron. Bukod dito, mahalaga rin ang dendrites sa plasticity ng utak—ang kakayahan nitong umangkop sa nagbabagong kapaligiran.
Sa isang kamakailang pag-aaral na inilathala sa Nature Communications, ipinakilala ng research team ni Dr. Panayiota Poirazi mula sa Institute of Molecular Biology and Biotechnology (IMBB) ng FORTH ang isang bagong arkitektura ng artificial neuron na may iba't ibang katangian ng biological dendrites. Sinubukan nila ito sa iba’t ibang gawain ng pagkilala ng imahe.
Ipinakita ng mga resulta na ang dendritic ANNs ay mas matibay laban sa overfitting at kayang tumbasan o higitan pa ang performance ng tradisyunal na ANNs habang gumagamit ng mas kaunting mapagkukunan, tulad ng trainable parameters at learning steps.
Ang pag-unlad na ito ay bunga ng isang natatanging learning mechanism, kung saan maraming nodes sa network ang sama-samang nag-eencode ng iba’t ibang kategorya—salungat sa tradisyunal na ANNs kung saan karamihan sa mga nodes ay partikular sa isang kategorya lamang. Sa kabuuan, ipinapakita ng pag-aaral na ang pagsasama ng mga katangian ng dendrites ay maaaring gawing mas matalino at episyente ang ANNs.
Pinangunahan ang pananaliksik na ito ni Dr. Chavlis, isang postdoctoral researcher sa IMBB-FORTH, sa ilalim ng superbisyon ni Dr. Poirazi.
0 Mga Komento