نورون‌های «اینفومورفیک» خودسازمان‌دهنده می‌توانند به طور مستقل یاد بگیرند

پژوهشگران «نورون‌های اینفومورفیک» (infomorphic neurons) را توسعه داده‌اند که به طور مستقل یاد می‌گیرند و همتایان بیولوژیکی خود را با دقت بیشتری نسبت به نورون‌های مصنوعی پیشین تقلید می‌کنند. تیمی از پژوهشگران از موسسه دینامیک شبکه‌های بیولوژیکی پردیس گوتینگن (CIDBN) در دانشگاه گوتینگن و موسسه دینامیک و خودسازمان‌دهی ماکس پلانک (MPI-DS)، این نورون‌های اینفومورفیک را برنامه‌نویسی کرده و شبکه‌های عصبی مصنوعی را از آن‌ها ساخته‌اند.

ویژگی خاص این است که هر نورون مصنوعی به صورت خودسازمان‌دهنده یاد می‌گیرد و اطلاعات لازم را از محیط نزدیک خود در شبکه استخراج می‌کند. یافته‌های آن‌ها در مجله مقالات آکادمی ملی علوم (Proceedings of the National Academy of Sciences) منتشر شده است.

هم مغز انسان و هم شبکه‌های عصبی مصنوعی مدرن بسیار قدرتمند هستند. در پایین‌ترین سطح، نورون‌ها به عنوان واحدهای محاسباتی نسبتاً ساده با یکدیگر همکاری می‌کنند.

یک شبکه عصبی مصنوعی معمولاً از چندین لایه تشکیل شده است که از نورون‌های مجزا ساخته شده‌اند. یک سیگنال ورودی از این لایه‌ها عبور می‌کند و توسط نورون‌های مصنوعی پردازش می‌شود تا اطلاعات مرتبط استخراج گردد. با این حال، نورون‌های مصنوعی مرسوم از نظر نحوه یادگیری تفاوت قابل توجهی با مدل‌های بیولوژیکی خود دارند.

در حالی که بیشتر شبکه‌های عصبی مصنوعی برای یادگیری به هماهنگی کلی خارج از شبکه وابسته هستند، نورون‌های بیولوژیکی تنها سیگنال‌هایی را از نورون‌های دیگر در مجاورت نزدیک خود در شبکه دریافت و پردازش می‌کنند. شبکه‌های عصبی بیولوژیکی هنوز از نظر انعطاف‌پذیری و بهره‌وری انرژی بسیار برتر از شبکه‌های مصنوعی هستند.

نورون‌های مصنوعی جدید که «نورون‌های اینفومورفیک» نامیده می‌شوند، قادر به یادگیری مستقل و خودسازمان‌دهی در میان نورون‌های همسایه خود هستند. این بدان معناست که کوچکترین واحد در شبکه دیگر نیازی به کنترل از بیرون ندارد، بلکه خودش تصمیم می‌گیرد کدام ورودی مرتبط است و کدام نیست.

در توسعه نورون‌های اینفومورفیک، تیم از نحوه عملکرد مغز، به ویژه از سلول‌های هرمی در قشر مغز، الهام گرفته است. این سلول‌ها نیز محرک‌هایی را از منابع مختلف در محیط نزدیک خود پردازش می‌کنند و از آن‌ها برای تطبیق و یادگیری استفاده می‌کنند. نورون‌های مصنوعی جدید اهداف یادگیری بسیار کلی و قابل فهمی را دنبال می‌کنند.

مارسل گرتز از CIDBN تأکید می‌کند: «ما اکنون مستقیماً درک می‌کنیم که در داخل شبکه چه اتفاقی می‌افتد و چگونه نورون‌های مصنوعی مجزا به طور مستقل یاد می‌گیرند.»

با تعریف اهداف یادگیری، پژوهشگران به نورون‌ها امکان دادند تا قوانین یادگیری خاص خود را پیدا کنند. تیم بر فرآیند یادگیری هر نورون مجزا تمرکز کرد.

آن‌ها از یک معیار نظریه اطلاعاتی نوین استفاده کردند تا دقیقاً تنظیم کنند که آیا یک نورون باید به دنبال افزونگی بیشتر با همسایگان خود باشد، به صورت هم‌افزایی همکاری کند، یا سعی کند در بخش خود از اطلاعات شبکه تخصص یابد.

والنتین نوهاوس از MPI-DS توضیح می‌دهد: «با تخصص یافتن در جنبه‌های خاصی از ورودی و هماهنگی با همسایگان خود، نورون‌های اینفومورفیک ما یاد می‌گیرند که چگونه به وظیفه کلی شبکه کمک کنند.»

با استفاده از نورون‌های اینفومورفیک، این تیم نه تنها در حال توسعه یک روش نوین برای یادگیری ماشین است، بلکه به درک بهتر یادگیری در مغز نیز کمک می‌کند.