محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) در MIT، یک مدل هوش مصنوعی (AI) جدید را توسعه دادهاند که از نوسانات عصبی در مغز الهام گرفته شده است، با هدف پیشرفت چشمگیر در نحوه مدیریت توالیهای طولانی داده توسط الگوریتمهای یادگیری ماشین.
هوش مصنوعی اغلب در تجزیه و تحلیل اطلاعات پیچیدهای که در طول دورههای زمانی طولانی آشکار میشوند، مانند روندهای آب و هوایی، سیگنالهای بیولوژیکی یا دادههای مالی، با مشکل مواجه میشود. یک نوع جدید از مدل هوش مصنوعی به نام "مدلهای فضای حالت" به طور خاص برای درک موثرتر این الگوهای متوالی طراحی شده است. با این حال، مدلهای فضای حالت موجود اغلب با چالشهایی روبرو هستند—هنگام پردازش توالیهای طولانی داده، ممکن است ناپایدار شوند یا به مقدار قابل توجهی از منابع محاسباتی نیاز داشته باشند.
برای رفع این مشکلات، محققان CSAIL، تی. کنستانتین روش و دانیلا روس، چیزی را توسعه دادهاند که آن را "مدلهای فضای حالت نوسانی خطی" (LinOSS) مینامند، که از اصول نوسانسازهای هارمونیک اجباری استفاده میکند—مفهومی که عمیقاً در فیزیک ریشه دارد و در شبکههای عصبی بیولوژیکی مشاهده میشود.
این رویکرد، پیشبینیهای پایدار، گویا و از نظر محاسباتی کارآمد را بدون اعمال شرایط بیش از حد محدودکننده بر پارامترهای مدل ارائه میدهد. این اثر در سرور پیشانتشار arXiv موجود است.
روش توضیح داد: "هدف ما این بود که پایداری و کارایی مشاهده شده در سیستمهای عصبی بیولوژیکی را ثبت کرده و این اصول را به یک چارچوب یادگیری ماشین ترجمه کنیم. با LinOSS، اکنون میتوانیم به طور قابل اعتماد تعاملات دوربرد را یاد بگیریم، حتی در توالیهایی که صدها هزار نقطه داده یا بیشتر را در بر میگیرند."
مدل LinOSS از این نظر منحصر به فرد است که با نیاز به انتخابهای طراحی بسیار کمتر محدودکننده نسبت به روشهای قبلی، پیشبینی پایدار را تضمین میکند. علاوه بر این، محققان به طور دقیق قابلیت تقریب جهانی مدل را ثابت کردند، به این معنی که میتواند هر تابع پیوسته و علّی مربوط به توالیهای ورودی و خروجی را تقریب بزند.
آزمایشهای تجربی نشان داد که LinOSS به طور مداوم از مدلهای پیشرفته موجود در وظایف مختلف طبقهبندی و پیشبینی توالیهای دشوار، بهتر عمل میکند. به ویژه، LinOSS تقریباً دو برابر بهتر از مدل Mamba که به طور گسترده استفاده میشود، در وظایفی که شامل توالیهای با طول شدید بود، عمل کرد.
این تحقیق به دلیل اهمیتش، برای ارائه شفاهی در ICLR 2025 انتخاب شد—افتخاری که تنها به ۱٪ برتر ارسالیها تعلق میگیرد. محققان MIT پیشبینی میکنند که مدل LinOSS میتواند به طور قابل توجهی بر هر زمینهای که از پیشبینی و طبقهبندی دقیق و کارآمد افقهای طولانی بهرهمند میشود، از جمله تجزیه و تحلیل مراقبتهای بهداشتی، علوم آب و هوا، رانندگی خودکار و پیشبینی مالی، تأثیر بگذارد.
روس گفت: "این کار نشان میدهد که چگونه دقت ریاضی میتواند منجر به پیشرفتهای عملکردی و کاربردهای گسترده شود. با LinOSS، ما ابزاری قدرتمند برای درک و پیشبینی سیستمهای پیچیده در اختیار جامعه علمی قرار میدهیم، و شکاف بین الهام بیولوژیکی و نوآوری محاسباتی را پر میکنیم."
این تیم تصور میکند که ظهور یک الگوی جدید مانند LinOSS برای متخصصان یادگیری ماشین برای ساختن بر روی آن جالب خواهد بود. با نگاهی به آینده، محققان قصد دارند مدل خود را در طیف گستردهتری از روشهای مختلف داده اعمال کنند. علاوه بر این، آنها پیشنهاد میکنند که LinOSS میتواند بینشهای ارزشمندی را در مورد علوم اعصاب ارائه دهد، و به طور بالقوه درک ما از خود مغز را عمیقتر کند.
اطلاعات بیشتر:
تی. کنستانتین روش و همکاران، مدلهای فضای حالت نوسانی، arXiv (۲۰۲۴). DOI: 10.48550/arxiv.2410.03943
اطلاعات ژورنال: arXiv
ارائه شده توسط موسسه فناوری ماساچوست
نحوه ارجاع: مدل هوش مصنوعی مبتنی بر نوسانات عصبی، پیشبینیهای پایدار و کارآمد برای توالیهای طولانی ارائه میدهد (۲۰۲۵، ۲۸ آوریل) بازیابی شده در ۲۸ آوریل ۲۰۲۵ از https://techxplore.com/news/2025-04-ai-based-neural-oscillations-stable.html