شبکه‌های عصبی مصنوعی می‌توانند سازوکار یادگیری خود را بسازند

پژوهشگران مؤسسهٔ پژوهشی مغز McGovern و مرکز K. Lisa Yang Integrative Computational Neuroscience در MIT می‌گویند توانایی یک شبکهٔ عصبی مصنوعی برای سازمان‌دهی خود، بدون هدایت طراح، معیار مهمی برای سنجش شباهت روش یادگیری آن به فرایندهای زیستی است. در پژوهش آن‌ها که ۹ اکتبر در مجلهٔ PNAS منتشر شد، گروهی از واحدهای با اتصال‌های تصادفی با پیروی از دستورالعمل‌هایی ساده دربارهٔ اینکه اتصال‌ها چه زمانی و چگونه تغییر کنند، از داده‌های آموزشی یاد گرفتند و خود را به شبکه‌ای مؤثر برای پردازش اطلاعات تبدیل کردند.

این رویکرد می‌تواند برای آموزش هوش مصنوعی کارآمد باشد، اما به‌گفتهٔ Liao و همکارانش، شبکه‌ای که با این روش طراحی شده لزوماً بینش زیادی دربارهٔ یادگیری زیستی نمی‌دهد. مغز طراح بیرونی ندارد و باید خودش سازمان یابد؛ بنابراین، برای فهم یادگیری مغز باید دانست قواعد ساده چگونه به این سازمان‌دهی می‌انجامند.

پژوهشگران هنوز در پی روشن‌کردن این قواعد هستند؛ قواعدی که ممکن است در بخش‌های مختلف مغز فرق کنند یا با بلوغ مغز تغییر یابند. شناخت آن‌ها می‌تواند به بررسی اختلال‌های ناشی از پیری یا بیماری و توسعهٔ راهبردهای درمان و پیشگیری کمک کند. Liao همچنین به رابط‌های مغز و رایانه اشاره می‌کند؛ فناوری‌هایی که می‌توانند برای بازگرداندن ارتباط در صورت ازدست‌رفتن توانایی‌های زبانی یا کمک به بیماران فلج برای کنترل اندام‌های مصنوعی به کار روند. او تأکید می‌کند که طراحی یک مدارِ کارآمد، به‌تنهایی قواعد تعامل نورون‌ها را آشکار نمی‌کند.