Max Home IndustryЗоологи Кельнского университета изучали нервную систему насекомых, чтобы изучить принципы биологических вычислений мозга и возможные последствия для машинного обучения и искусственного интеллекта. В частности, они проанализировали, как насекомые учатся связывать сенсорную информацию в своей среде с пищевым вознаграждением и как они могут вспомнить эту информацию позже, чтобы решать сложные задачи, такие как поиск пищи. Результаты показывают, что преобразование сенсорной информации в воспоминания в мозгу может вдохновить будущие приложения машинного обучения и искусственного интеллекта на решение сложных задач. Исследование опубликовано в журнале PNAS .
Живые организмы демонстрируют замечательные способности справляться с проблемами, создаваемыми сложной и динамичной средой. Они способны обобщать свой опыт, чтобы быстро адаптировать свое поведение при изменении окружающей среды. Зоологи исследовали, как нервная система плодовой мушки контролирует ее поведение при поиске пищи. Используя компьютерную модель, они смоделировали и проанализировали вычисления нервной системы плодовой мушки в ответ на запахи, исходящие от источника пищи. «Изначально мы обучили нашу модель мозга мухи точно так же, как насекомых обучаются в экспериментах. В симуляции мы представили определенный аромат вместе с наградой и второй аромат без награды. Модель быстро учится устойчивому представлению награжденного аромата всего после нескольких презентаций ароматов, а затем способна найти источник этого аромата в пространственно сложной и динамично динамичной среде », — сказал доктор Ханнес Рапп, компьютерный ученый, который создал модель как часть его докторской диссертации в Институте зоологии UoC.
Таким образом, созданная модель способна обобщать из своей памяти и применять то, что она изучила ранее, в совершенно новом и сложном ландшафте молекул запаха, в то время как для обучения требуется лишь очень небольшая база данных обучающих образцов. «В нашей модели мы используем особые свойства обработки биологической информации в нервных системах», — пояснил профессор доктор Мартин Наврот, старший автор исследования. «Это, в частности, быстрая и параллельная обработка сенсорных стимулов с помощью коротких нервных импульсов, а также формирование распределенной памяти посредством одновременной модификации многих синаптических контактов в процессе обучения». Теоретические принципы, лежащие в основе этой модели, также могут быть использованы для искусственного интеллекта и автономных систем. Они позволяют искусственному агенту учиться намного эффективнее и применять полученные знания в изменяющейся среде.