Новое исследование показывает, что эволюционное разнообразие крайне важно не только для жизни на Земле, но и, что звучит невероятно, для машин, сообщает портал ZDNet.
Было время, когда породистые собаки были символом статуса. Владельцы хвастались безупречной родословной своей немецкой овчарки или кокер-спаниеля, иногда хвастались родословными, которые шли по одной линии в одной семье на протяжении многих поколений.
Это стремление к чистоте усилилось во времена гитлеровской нацистской Германии, когда «загрязненные» родословные немецких овчарок вызывали отвращение. Однако безжалостный инбридинг породистых собак берет начало именно в викторианскую эпоху
Сегодня акцент на чистоте сместился, и мы продолжаем узнавать все больше о генетике, в частности о том, что инбридинг — это самый быстрый путь к приобретению изнурительных проблем со здоровьем и нестабильного темперамента.
Теперь дворняги рулят. Мы уже знаем, что чем больше разнообразие окружающей среды, тем больше разнообразие организмов, которые появляются после адаптации к ней, и, в конечном счете, тем выше стабильность мира, в котором мы живем.
В современном мире, как ни в какой другой период истории человечества, востребованы разнообразные генофонды, особенно если учесть, что нестабильная окружающая среда и проблемы изменения климата требуют более выносливых видов. Этот процесс сам по себе, как закон Земли, не так уж сложно понять.
Но как быть, если машина демонстрирует ту же способность работать лучше при более разнообразной инженерной базе? Более того, что, если машина действительно выберет разнообразие после того, как ей позволят создавать свои собственные внутренности — и ее выбор приведет к беспрецедентному увеличению ее быстродействия?
Метаобучение для ИИ
Этот вопрос был поставлен в ходе новаторского эксперимента, проведенного группой исследователей (Аншул Чоудхари, Анил Радхакришнан, Джон Ф. Линднер, Уильям Дитто и Судешна Синха) из разных научных центров (Университет штата Северная Каролина, Индийский институт науки в Мохали, колледж Вустера). Их целью было проверить, какие оперативные решения будут принимать продвинутые ИИ, такие как нейронные сети, когда они будут предоставлены сами себе.
«Мы создали тестовую систему с нечеловеческим, искусственным интеллектом, чтобы проверить, выберет ли ИИ разнообразие вместо отсутствия разнообразия и улучшит ли его выбор производительность ИИ», — рассказывает соавтор работы Уильям Дитто, профессор физики и директор Лаборатории нелинейного ИИ Университета штата Северная Каролина (NAIL).
«В нашем реальном мозге есть более одного типа нейронов», — продолжает он, приводя дальнейшие сведения об эксперименте, который позволяет по-новому взглянуть на нейроразнообразие в машинах и его связь с производительностью.
«Мы дали нашему ИИ возможность заглянуть внутрь себя и решить, нужно ли ему изменить состав своей нейронной сети. По сути, мы дали ему возможность управления собственным мозгом. Он может решить задачу, посмотреть на результат и изменять тип и состав искусственных нейронов, пока не найдет наиболее подходящий. Это метаобучение для ИИ», — поясняет Дитто.
Нейронная сеть, лежащая в основе большинства обычных и продвинутых моделей ИИ, имитирует работу нашего мозга. Как наш мозг посылает и получает электрические импульсы, зависящие от силы связей, так и нейронные сети регулируют числовые значения весов и смещений в процессе обучения.
Когда нейронная сеть проходит обучение и пытается, например, определить, как выглядят автобусы, просматривая большую коллекцию фотографий автобусов, она регулирует свои числовые веса и балансирует себя в процессе поиска правильных и неправильных изображений автобусов.
Сила связей между этими нейронами колеблется в процессе обучения, но по сути они остаются замкнутыми, когда дело доходит до их композиции.
Так было до тех пор, пока ученые не дали нейронной сети возможность активировать себя — и тогда произошло нечто удивительное.
Выбор разнообразия для достижения максимальной производительности
Во-первых, сеть выбирала совершенно разные или гетерогенные, нелинейные схемы расположения нейронов. Другими словами, система выбирала разнообразие вместо одинаковости в процессе, называемом «learned diversity» (полученное в результате обучения разнообразие).
Затем выяснилось, что самонастраивающаяся гетерогенная нейронная сеть также превосходит однородную при одинаковом обучении.
Когда команда попросила ИИ выполнить «стандартное числовое классификационное упражнение», самонастраивающийся, разнообразный (diverse) ИИ превзошел своего однородного собрата по точности: 70% против 57%.
По словам Дитто, разнообразный ИИ может быть в 10 раз точнее обычной нейронной сети. «Мы показали, что если дать ИИ возможность заглянуть внутрь себя и узнать, как он учится, то он изменит свою внутреннюю структуру — структуру своих искусственных нейронов, — чтобы принять разнообразие и улучшить свою способность учиться и решать проблемы более эффективно и точно», — говорит он и добавляет, что по мере усложнения и хаотизации задач производительность нейронной сети разнообразного ИИ со временем улучшается по сравнению с неразнообразным ИИ.
По мнению ученых, такое достигаемое при обучении разнообразие может даже повысить производительность существующих физически-информированных ИИ, таких как гамильтоновы нейронные сети.
По мере того, как ИИ будет внедряться практически во все приложения — многие из которых связаны с выполнением жизненно важных функций, таких как управление самолетами и автономными транспортными средствами — нам понадобятся системы, которые будут гораздо более надежными и быстрыми.
Разнообразная эволюционная траектория сделала успешными людей, животных, растения и практически все, что сохранилось на Земле до наших дней, — и, похоже, она же отделяет победителей от проигравших в мире машин.
