Искусственный интеллект может учиться у мышей
Способность точно предсказывать движения важна не только для людей и животных, но и для многих приложений ИИ — от автономного вождения до робототехники. Исследователи из Мюнхенского технического университета (TUM) обнаружили, что искусственные нейронные сети справляются с этой задачей лучше, если их обучать на биологических данных, полученных в ходе раннего развития зрительной системы.
Тренировка до рождения
У мышей, кошек и людей еще до открытия глаз в сетчатке запускается встроенная программа обучения — полностью независимо от внешних стимулов. Спонтанные паттерны активности распространяются волнообразно по нейронной ткани глаза. Эта активность, известная как ретинальные волны, координирует первоначальные связи между сетчаткой и зрительной системой мозга. Фактически, тренировка зрения начинается еще до столкновения с реальным миром.
Преимущества биологического подхода в ИИ
В TUM провели исследование, которое показало, что искусственные нейронные сети — моделирующие работу мозга — также могут извлечь пользу из такого предварительного обучения. Подробности экспериментов приведены в журнале PLOS Computational Biology.
«Искусственные нейронные сети обычно обучают на данных, максимально приближенных к их целевой задаче. Если провести аналогию с развитием зрительной системы у живых организмов, их обучение начинается только после "открытия глаз". Мы вдохновились природой и добавили этап предварительного обучения, аналогичный естественному, в процесс тренировки нейронных сетей», — объясняет профессор вычислительной нейробиологии в TUM Юлиана Джорджиева.
Предварительное обучение ускоряет и улучшает прогнозирование
На первом этапе команда проверила, влияет ли тренировка на данных ретинальных волн на производительность нейросети. Для этого они обучали разные сети разными способами:
Первая группа прошла предварительное обучение на данных ретинальных волн мыши, а затем тренировалась на анимационном фильме, имитирующем бег мыши по узкому коридору с геометрическими узорами. Вторая группа обучалась только на анимации — без предварительной подготовки.
Задача для всех сетей заключалась в точном предсказании того, как будут меняться узоры на стенах виртуального коридора.
Сети, прошедшие предварительное обучение, справились с задачей быстрее и точнее. Чтобы исключить влияние более длительного общего времени обучения, исследователи сократили этап тренировки на анимации для предварительно обученных сетей. Даже в этом случае они превзошли остальные по скорости и точности.
Лучшая работа даже с реальными видеоданными
На последнем этапе задача усложнилась: сети обучали на реальных видеозаписях, снятых с помощью экшн-камеры, закрепленной на кошке. Качество видео было хуже, а движения — сложнее. И снова сети, прошедшие предварительное обучение на ретинальных волнах, показали лучшие результаты.
Таким образом, биологически вдохновленные методы обучения могут значительно улучшить эффективность ИИ, особенно в задачах, требующих прогнозирования динамических визуальных сцен.
Новый искусственный интеллект научился видеть, как человеческий мозг
ИИ научили «чувствовать» и измерять поверхности
Подписывайтесь и читайте «Науку» в Telegram