Открытие ученых РФ повысит эффективность систем ИИ с упрощенными нейронами

МОСКВА, 13 февраля. /ТАСС/. Российские исследователи разработали новую структуру биполярного морфологического нейрона, упрощенного аналога классических нейронов в уже существующих системах ИИ, а также метод обучения, который может повысить вычислительную эффективность нейронных сетей. Об этом сообщил Центр научной коммуникации МФТИ.

"Мы исследовали новый способ построения нейронной сети, продемонстрировав, что наш метод обучения позволяет достигать высоких результатов с упрощенной структурой нейронов. Это открывает путь к созданию более энергоэффективных и быстрых нейронных сетей", - пояснил аспирант МФТИ Михаил Зингеренко, чьи слова приводит Центр научной коммуникации вуза.

Как отмечают исследователи, большая часть современных систем искусственного интеллекта построена на базе "классических" искусственных нейронов, в работе которых используются в основном две математических операции - сложение и умножение. Последняя требует значительно больше вычислительных ресурсов, из-за чего ученые сейчас активно работают над созданием альтернативных моделей нейронов.

Одной из них являются так называемые биполярные морфологические нейроны, в которых умножение заменено на операцию взятия максимума. Нейросети на базе подобных нейронов в теории должны обладать большей энергетической эффективностью, чем их классические аналоги, однако их значительно сложнее обучать, и для их использования в системах распознавания изображений нужно больше ветвей вычислений.

Российским ученым удалось разработать новую модель биполярного морфологического нейрона, которая сокращает количество вычислительных веток с четырех до одной, а также создать новый подход для обучения нейросетей на из базе. Он позволяет достичь точности, сопоставимой с классическими моделями, чего ученым удалось достичь благодаря использованию метода дистилляции знаний, позволяющего передавать информацию от "учительской" сети к ученической.

Проведенные учеными опыты показали, что разработанные ими аналоги LeNet и ResNet-22, двух популярных систем ИИ для распознавания изображений и рукописного текста, справлялись с тестовыми заданиями с фактически тем же уровнем точности, как и их классические версии. В перспективе, это позволит создать высокопроизводительные и экономичные аналоги других алгоритмов, для работы которых сейчас требуется большое количество вычислительных ресурсов, подытожили ученые.