'Liquid' machine-learning system adapts to changing conditions
طور باحثو معهد ماساتشوستس للتكنولوجيا MIT نوعًا من الشبكات العصبية neural network التي تتعلم أثناء العمل، وليس فقط خلال مرحلة التدريب. هذه الخوارزميات المرنة، التي يطلق عليها الشبكات "السائلة liquid"، تغير معادلاتها الأساسية للتكيف باستمرار مع مدخلات البيانات الجديدة. يمكن أن يساعد التقدم في اتخاذ القرار بناءً على تدفقات البيانات التي تتغير بمرور الوقت، بما في ذلك أولئك الذين يشاركون في التشخيص الطبي والقيادة الذاتية.
يقول Ramin Hasani، المؤلف الرئيسي للدراسة: "هذه طريقة للمضي قدمًا في مستقبل التحكم في الروبوتات، ومعالجة اللغة الطبيعية، ومعالجة الفيديو- أي شكل من أشكال معالجة بيانات السلاسل الزمنية". "الإمكانات كبيرة حقًا".
سيتم تقديم البحث في مؤتمر AAAI في فبراير حول الذكاء الاصطناعي. بالإضافة إلى Hasani، باحث ما بعد الدكتوراة في مختبر MIT لعلوم الكمبيوتر والذكاء الاصطناعي (Computer Science and Artificial Intelligence Laboratory CSAIL)، من بين المؤلفين المشاركين في معهد ماساتشوستس للتكنولوجيا Daniela Rus، مدير CSAIL وAndrew وErna Viterbi أساتذة الهندسة الكهربائية وعلوم الكمبيوتر، و طالب الدكتوراه Alexander Amini. ومن بين المؤلفين المشاركين الآخرين Mathias Lechner من معهد العلوم والتكنولوجيا النمساوي وRadu Grosu من جامعة فيينا للتكنولوجيا.
ووفقًا لـ Hasani، فإن بيانات السلاسل الزمنية موجودة في كل مكان وحيوية لفهمنا للعالم. يقول: "إن العالم الحقيقي يدور حول التسلسلات. حتى إدراكنا- أنت لا تدرك الصور، بل تدرك تسلسل الصور". "لذا، فإن بيانات السلاسل الزمنية تخلق واقعنا بالفعل".
ويشير إلى معالجة الفيديو والبيانات المالية وتطبيقات التشخيص الطبي كأمثلة على السلاسل الزمنية التي تعتبر أساسية في المجتمع. يمكن أن تكون تقلبات تدفقات البيانات المتغيرة باستمرار غير متوقعة. ومع ذلك، فإن تحليل هذه البيانات في الوقت الفعلي، واستخدامها لتوقع السلوك المستقبلي، يمكن أن يعزز تطوير التقنيات الناشئة مثل السيارات ذاتية القيادة. لذلك بنى Hasani خوارزمية مناسبة لهذه المهمة.
صمم Hasani شبكة عصبية يمكنها التكيف مع تنوع أنظمة العالم الحقيقي. الشبكات العصبية هي خوارزميات تتعرف على الأنماط من خلال تحليل مجموعة من أمثلة "التدريب". غالبًا ما يقال إنها تحاكي مسارات المعالجة في الدماغ- استمد Hasani الإلهام مباشرةً من nematode المجهرية، C. elegans. يقول: "لديها فقط 302 خلية عصبية في نظامها العصبي، ومع ذلك يمكنها أن تولد ديناميكيات معقدة بشكل غير متوقع".
قام Hasani بترميز شبكته العصبية باهتمام دقيق لكيفية تنشيط الخلايا العصبية للبكتيريا الرشيقة والتواصل مع بعضها البعض عبر النبضات الكهربائية. في المعادلات التي استخدمها لبناء شبكته العصبية، سمح للمعلمات بالتغير بمرور الوقت بناءً على نتائج مجموعة متداخلة من المعادلات التفاضلية.
هذه المرونة هي المفتاح. يتم إصلاح سلوك معظم الشبكات العصبية بعد مرحلة التدريب، مما يعني أنها سيئة في التكيف مع التغييرات في دفق البيانات الواردة. يقول Hasani إن سيولة شبكته "السائلة" تجعلها أكثر مرونة للبيانات غير المتوقعة أو الصاخبة، كما لو أن المطر الغزير يحجب رؤية الكاميرا في سيارة ذاتية القيادة. "لذا، فهو أكثر قوة"، كما يقول.
ويضيف أن هناك ميزة أخرى لمرونة الشبكة: "إنها أكثر قابلية للتفسيرIt's more interpretable".
يقول Hasani إن شبكته السائلة تتجنب الغموض الشائع في الشبكات العصبية الأخرى. "مجرد تغيير تمثيل الخلية العصبية"، وهو ما فعله Hasani بالمعادلات التفاضلية، "يمكنك حقًا استكشاف بعض درجات التعقيد التي لا يمكنك استكشافها بطريقة أخرى". بفضل العدد الصغير من الخلايا العصبية شديدة التعبير التي يمتلكها Hasani، من السهل النظر إلى "الصندوق الأسود black box" لعملية اتخاذ القرار في الشبكة وتشخيص سبب قيام الشبكة بتوصيف معين.
يقول Hasani: "النموذج نفسه أكثر ثراءً من حيث التعبيرية". يمكن أن يساعد ذلك المهندسين على فهم أداء الشبكة السائلة وتحسينه.
تفوقت شبكة Hasani في مجموعة من الاختبارات. لقد تفوقت على خوارزميات السلاسل الزمنية الأخرى الحديثة ببضع نقاط مئوية في التنبؤ الدقيق بالقيم المستقبلية في مجموعات البيانات، بدءًا من كيمياء الغلاف الجوي إلى أنماط حركة المرور. يقول: "في العديد من التطبيقات، نرى أن الأداء مرتفع بشكل موثوق". بالإضافة إلى ذلك، فإن صغر حجم الشبكة يعني أنها أكملت الاختبارات دون تكلفة حوسبة باهظة. يقول Hasani: "يتحدث الجميع عن توسيع نطاق شبكتهم". "نريد تقليص حجم العقد ليكون لدينا عدد أقل ولكن أكثر ثراءً".
يخطط Hasani لمواصلة تحسين النظام وتجهيزه للتطبيق الصناعي. يقول: "لدينا شبكة عصبية أكثر تعبيراً يمكن إثباتها مستوحاة من الطبيعة. لكن هذه مجرد بداية للعملية". "السؤال الواضح هو كيف يمكنك توسيع هذا؟ نعتقد أن هذا النوع من الشبكات يمكن أن يكون عنصرا أساسيا في أنظمة الاستخبارات في المستقبل".
يقول Ramin Hasani، المؤلف الرئيسي للدراسة: "هذه طريقة للمضي قدمًا في مستقبل التحكم في الروبوتات، ومعالجة اللغة الطبيعية، ومعالجة الفيديو- أي شكل من أشكال معالجة بيانات السلاسل الزمنية". "الإمكانات كبيرة حقًا".
سيتم تقديم البحث في مؤتمر AAAI في فبراير حول الذكاء الاصطناعي. بالإضافة إلى Hasani، باحث ما بعد الدكتوراة في مختبر MIT لعلوم الكمبيوتر والذكاء الاصطناعي (Computer Science and Artificial Intelligence Laboratory CSAIL)، من بين المؤلفين المشاركين في معهد ماساتشوستس للتكنولوجيا Daniela Rus، مدير CSAIL وAndrew وErna Viterbi أساتذة الهندسة الكهربائية وعلوم الكمبيوتر، و طالب الدكتوراه Alexander Amini. ومن بين المؤلفين المشاركين الآخرين Mathias Lechner من معهد العلوم والتكنولوجيا النمساوي وRadu Grosu من جامعة فيينا للتكنولوجيا.
ووفقًا لـ Hasani، فإن بيانات السلاسل الزمنية موجودة في كل مكان وحيوية لفهمنا للعالم. يقول: "إن العالم الحقيقي يدور حول التسلسلات. حتى إدراكنا- أنت لا تدرك الصور، بل تدرك تسلسل الصور". "لذا، فإن بيانات السلاسل الزمنية تخلق واقعنا بالفعل".
ويشير إلى معالجة الفيديو والبيانات المالية وتطبيقات التشخيص الطبي كأمثلة على السلاسل الزمنية التي تعتبر أساسية في المجتمع. يمكن أن تكون تقلبات تدفقات البيانات المتغيرة باستمرار غير متوقعة. ومع ذلك، فإن تحليل هذه البيانات في الوقت الفعلي، واستخدامها لتوقع السلوك المستقبلي، يمكن أن يعزز تطوير التقنيات الناشئة مثل السيارات ذاتية القيادة. لذلك بنى Hasani خوارزمية مناسبة لهذه المهمة.
صمم Hasani شبكة عصبية يمكنها التكيف مع تنوع أنظمة العالم الحقيقي. الشبكات العصبية هي خوارزميات تتعرف على الأنماط من خلال تحليل مجموعة من أمثلة "التدريب". غالبًا ما يقال إنها تحاكي مسارات المعالجة في الدماغ- استمد Hasani الإلهام مباشرةً من nematode المجهرية، C. elegans. يقول: "لديها فقط 302 خلية عصبية في نظامها العصبي، ومع ذلك يمكنها أن تولد ديناميكيات معقدة بشكل غير متوقع".
قام Hasani بترميز شبكته العصبية باهتمام دقيق لكيفية تنشيط الخلايا العصبية للبكتيريا الرشيقة والتواصل مع بعضها البعض عبر النبضات الكهربائية. في المعادلات التي استخدمها لبناء شبكته العصبية، سمح للمعلمات بالتغير بمرور الوقت بناءً على نتائج مجموعة متداخلة من المعادلات التفاضلية.
هذه المرونة هي المفتاح. يتم إصلاح سلوك معظم الشبكات العصبية بعد مرحلة التدريب، مما يعني أنها سيئة في التكيف مع التغييرات في دفق البيانات الواردة. يقول Hasani إن سيولة شبكته "السائلة" تجعلها أكثر مرونة للبيانات غير المتوقعة أو الصاخبة، كما لو أن المطر الغزير يحجب رؤية الكاميرا في سيارة ذاتية القيادة. "لذا، فهو أكثر قوة"، كما يقول.
ويضيف أن هناك ميزة أخرى لمرونة الشبكة: "إنها أكثر قابلية للتفسيرIt's more interpretable".
يقول Hasani إن شبكته السائلة تتجنب الغموض الشائع في الشبكات العصبية الأخرى. "مجرد تغيير تمثيل الخلية العصبية"، وهو ما فعله Hasani بالمعادلات التفاضلية، "يمكنك حقًا استكشاف بعض درجات التعقيد التي لا يمكنك استكشافها بطريقة أخرى". بفضل العدد الصغير من الخلايا العصبية شديدة التعبير التي يمتلكها Hasani، من السهل النظر إلى "الصندوق الأسود black box" لعملية اتخاذ القرار في الشبكة وتشخيص سبب قيام الشبكة بتوصيف معين.
يقول Hasani: "النموذج نفسه أكثر ثراءً من حيث التعبيرية". يمكن أن يساعد ذلك المهندسين على فهم أداء الشبكة السائلة وتحسينه.
تفوقت شبكة Hasani في مجموعة من الاختبارات. لقد تفوقت على خوارزميات السلاسل الزمنية الأخرى الحديثة ببضع نقاط مئوية في التنبؤ الدقيق بالقيم المستقبلية في مجموعات البيانات، بدءًا من كيمياء الغلاف الجوي إلى أنماط حركة المرور. يقول: "في العديد من التطبيقات، نرى أن الأداء مرتفع بشكل موثوق". بالإضافة إلى ذلك، فإن صغر حجم الشبكة يعني أنها أكملت الاختبارات دون تكلفة حوسبة باهظة. يقول Hasani: "يتحدث الجميع عن توسيع نطاق شبكتهم". "نريد تقليص حجم العقد ليكون لدينا عدد أقل ولكن أكثر ثراءً".
يخطط Hasani لمواصلة تحسين النظام وتجهيزه للتطبيق الصناعي. يقول: "لدينا شبكة عصبية أكثر تعبيراً يمكن إثباتها مستوحاة من الطبيعة. لكن هذه مجرد بداية للعملية". "السؤال الواضح هو كيف يمكنك توسيع هذا؟ نعتقد أن هذا النوع من الشبكات يمكن أن يكون عنصرا أساسيا في أنظمة الاستخبارات في المستقبل".
