Sistem Pembelajaran Mesin “Cairan” Beradaptasi dengan Kondisi yang Berubah

Jenis baru jaringan saraf dapat membantu pengambilan keputusan dalam mengemudi sendiri dan dalam diagnosis medis.

Dengan peneliti telah mengembangkan jenis jaringan saraf yang belajar di tempat kerja, tidak hanya selama fase pelatihan mereka. Algoritme fleksibel ini, yang disebut jaringan “cair”, mengubah persamaan dasarnya untuk terus beradaptasi dengan input data baru. Terobosan tersebut dapat membantu membuat keputusan berdasarkan aliran data yang berubah dari waktu ke waktu, termasuk mereka yang terlibat dalam diagnosis medis dan panduan otonom.

“Ini adalah cara maju untuk masa depan kendali robot, pemrosesan bahasa alami, pemrosesan video – segala bentuk pemrosesan data deret waktu,” kata Ramin Hasani, penulis utama studi tersebut. “Potensinya sangat signifikan.”

Penelitian ini akan dipresentasikan pada Konferensi AAAI Februari tentang Kecerdasan Buatan. Selain Hasani, seorang postdoc di MIT Laboratory of Computer Science and Artificial Intelligence (CSAIL), rekan penulis MIT termasuk Daniela Rus, direktur CSAIL dan Profesor Andrew dan Erna Viterbi dari Teknik Listrik dan Komputer, dan dokter Alexander Amini. Rekan penulis lainnya termasuk Mathias Lechner dari Institut Sains dan Teknologi Austria dan Radu Grosu dari Universitas Teknologi Wina.

Menurut Hasani, data deret waktu ada di mana-mana dan penting untuk memahami dunia. “Dunia nyata adalah tentang urutan. Bahkan persepsi kami – Anda tidak melihat gambar, Anda memahami urutan gambar, “katanya.” Jadi, data deret waktu benar-benar menciptakan realitas kami. “

Dia mengutip pemrosesan video, data keuangan, dan aplikasi diagnostik medis sebagai contoh deret waktu yang penting bagi masyarakat. Perubahan arus data yang selalu berubah ini tidak dapat diprediksi. Namun, menganalisis data ini secara real time, dan menggunakannya untuk mengantisipasi perilaku di masa mendatang, dapat mendorong perkembangan teknologi yang muncul seperti kendaraan otonom. Jadi Hasani membangun algoritma yang disesuaikan untuk tugas tersebut.

Hasani merancang jaringan saraf yang dapat beradaptasi dengan variabilitas sistem dunia nyata. Jaringan saraf adalah algoritme yang mengenali pola dengan menganalisis sekumpulan contoh “pelatihan”. Sering dikatakan bahwa mereka meniru cara-cara transformasi otak – Hasani secara langsung terinspirasi oleh nematoda mikroskopis, C. elegans. “Ia hanya memiliki 302 neuron dalam sistem sarafnya,” katanya, “bahkan ia dapat menghasilkan dinamika kompleks yang tak terduga.”

Hasani mengkodekan jaringan syarafnya dengan hati-hati pada air mani C. elegans neuron diaktifkan dan berkomunikasi satu sama lain melalui impuls listrik. Dalam persamaan yang dia gunakan untuk menyusun jaringan neuralnya, dia mengizinkan parameter berubah seiring waktu berdasarkan hasil dari kumpulan persamaan diferensial bersarang.

Fleksibilitas ini adalah kuncinya. Sebagian besar perilaku jaringan saraf diperbaiki setelah fase pelatihan, yang berarti mereka buruk dalam beradaptasi dengan perubahan aliran data yang masuk. Hasani mengatakan fluiditas jaringan “cair” membuatnya lebih tahan terhadap data yang tidak terduga atau berisik, seolah-olah hujan lebat mengaburkan pandangan kamera pada kendaraan yang berdiri sendiri. “Jadi, ini lebih kuat,” katanya.

Ada keuntungan lain dari fleksibilitas jaringan, ia menambahkan: “Ini lebih dapat ditafsirkan.”

Hasani mengatakan jaringan cairnya memecah ketidakjelasan yang umum terjadi pada jaringan saraf lainnya. “Hanya dengan mengubah representasi neuron,” yang dilakukan Hasani dengan persamaan diferensial, “dapat benar-benar mengeksplorasi beberapa tingkat kerumitan yang tidak dapat dieksplorasi dengan cara lain.” Berkat jumlah kecil neuron yang sangat ekspresif milik Hasani, lebih mudah untuk meneliti “kotak hitam” pengambilan keputusan jaringan dan mendiagnosis mengapa jaringan membuat karakterisasi tertentu.

“Modelnya sendiri lebih kaya dari segi ekspresif,” kata Hasani. Itu dapat membantu para insinyur memahami dan meningkatkan kinerja jaringan cair.

Jaringan Hasani unggul dalam tes baterai. Dia memotong algoritme deret waktu canggih lainnya dengan beberapa poin persentase dalam memprediksi nilai masa depan secara akurat dalam kumpulan data, mulai dari kimia atmosfer hingga pola lalu lintas. “Dalam banyak aplikasi, kami melihat bahwa kinerjanya dapat diandalkan,” katanya. Selain itu, ukuran jaringan yang kecil berarti ia menyelesaikan pengujian tanpa biaya komputasi yang tinggi. “Semua orang membicarakan tentang penskalaan jaringan mereka,” kata Hasani. “Kami ingin menguranginya, untuk memiliki lebih sedikit node yang lebih kaya.”

Hasani berencana untuk terus meningkatkan sistem dan mempersiapkannya untuk aplikasi industri. “Kami memiliki jaringan saraf yang lebih ekspresif yang terinspirasi oleh alam. Tapi itu baru permulaan dari prosesnya,” katanya. “Pertanyaan yang jelas adalah bagaimana ini meluas? Kami pikir jenis jaringan ini bisa menjadi elemen kunci dari sistem intelijen masa depan.”

Referensi: “Jaringan Tetapan Waktu Cair” oleh Ramin Hasani, Mathias Lechner, Alexander Amini, Daniela Rus dan Radu Grosu, 14 Desember 2020, Ilmu Komputer> Pembelajaran Mesin.
arXiv: 2006.04439v4

Penelitian ini didanai, sebagian, oleh Boeing, National Science Foundation, Austrian Science Fund, dan Komponen dan Sistem Elektronik untuk Kepemimpinan Eropa.

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Topan Super Surigae menyulut Pasifik

19 April 2021 Topan super mencapai intensitas ekstrem setahun lebih banyak daripada badai era satelit mana pun. Surigae tidak akan mendarat, tetapi topan yang muncul di...

Mekanisme fotoenzim kunci yang diuraikan

Kesan artis tentang katalisis enzimatik yang diusulkan dalam mekanisme fotodekarboksilase asam lemak (Sains 2021). Kredit: Damien Sorigué Pengoperasian enzim FAP, yang berguna untuk memproduksi...

DOE Mendorong Investasi A.S. yang Agresif dalam Energy Fusion

Sinar laser energi tinggi NIF berkumpul di target di tengah kamera target. Keberhasilan mendapatkan penyalaan fusi akan menjadi langkah maju yang besar dalam...

Fisikawan menciptakan bit kuantum yang dapat mencari materi gelap

Sebuah qubit (persegi panjang kecil) dipasang pada tingkat kebiruan, yang berada di atas jari untuk menunjukkan skala. Ilmuwan di Farmland Universitas Chicago menggunakan...

Ahli paleontologi memperkirakan bahwa 2,5 miliar T. rex menjelajahi Bumi selama periode Kapur

Untuk semua mereka yang terlambatKapur Menurut sebuah studi baru, jumlah total tyrannosaurus yang pernah hidup di Bumi adalah sekitar 2,5 miliar individu, di mana...

Newsletter

Subscribe to stay updated.