Koqnitiv çeviklik, müxtəlif düşüncələr və zehni anlayışlar arasında sürətlə keçid qabiliyyəti, çox faydalı bir insan qabiliyyətidir. Bu gözə çarpan qabiliyyət çoxlu tapşırıqları, yeni bacarıqların sürətlə mənimsənilməsini və yeni vəziyyətlərə uyğunlaşmağı dəstəkləyir.

Süni intellekt (AI) sistemləri son bir neçə onillikdə getdikcə təkmilləşsə də , hazırda onlar yeni bacarıqları öyrənməkdə və tapşırıqlar arasında keçiddə insanlar kimi eyni çeviklik nümayiş etdirmirlər. Bioloji neyron dövrələrin idrak çevikliyini necə dəstəklədiyini , xüsusən də çoxlu tapşırıqları necə dəstəklədiyini daha yaxşı başa düşmək , daha çevik süni intellekt inkişaf etdirməyə yönəlmiş gələcək səyləri məlumatlandıra bilər.

Bu yaxınlarda bəzi kompüter alimləri və nevroloqlar süni neyron şəbəkələrindən istifadə edərək neyron hesablamaları öyrənirlər. Bununla belə, bu şəbəkələrin əksəriyyəti bir çox tapşırıqdan fərqli olaraq, xüsusi tapşırıqları fərdi şəkildə həll etmək üçün ümumiyyətlə təlim keçmişdir.

2019-cu ildə Nyu-York Universiteti, Kolumbiya Universiteti və Stenford Universitetində bir araşdırma qrupu 20 əlaqəli işi yerinə yetirmək üçün vahid neyron şəbəkəsini öyrətdi.

Nature Neuroscience jurnalında dərc olunan yeni məqalədə Stanforddakı bir qrup bu neyron şəbəkənin modul hesablamaları yerinə yetirməsinə nəyin imkan verdiyini araşdırmaq üçün yola çıxdı və bununla da bir neçə fərqli vəzifənin öhdəsindən gəldi.

Laura N. Driscoll, Krishna Shenoy və David Sussillo öz məqalələrində “Çevik hesablama ağıllı davranışın əlamətidir” dedi. “Lakin neyron şəbəkələrinin müxtəlif hesablamalar üçün kontekstdə necə yenidən konfiqurasiya etdiyi haqqında çox az şey məlumdur. Bu işdə biz çoxməsləhətli süni təkrarlanan neyron şəbəkələrinin tədqiqi vasitəsilə modul hesablama üçün alqoritmik neyron substratı müəyyən etdik.”

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=135&slotname=2793866484&adk=675901022&adf=1873531024&pi=t.ma~as.2793866484&w=540&abgtt=6&fwrn=4&lmt=1724920426&rafmt=11&format=540×135&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2024-08-flexible-multi-task-recurrent-neural.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTI3LjAuNjUzMy4xMjAiLG51bGwsMCxudWxsLCI2NCIsW1siTm90KUE7QnJhbmQiLCI5OS4wLjAuMCJdLFsiR29vZ2xlIENocm9tZSIsIjEyNy4wLjY1MzMuMTIwIl0sWyJDaHJvbWl1bSIsIjEyNy4wLjY1MzMuMTIwIl1dLDBd&dt=1724919655108&bpp=2&bdt=340&idt=661&shv=r20240827&mjsv=m202408220101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Db9da3e02405744d8%3AT%3D1721367090%3ART%3D1724919645%3AS%3DALNI_MbCxflFG1tK4Eg0JnLd1ADPoQRHCw&eo_id_str=ID%3D00ebd51b515acd52%3AT%3D1721367090%3ART%3D1724919645%3AS%3DAA-AfjajUyEPj_hS0T6XCNoUbt04&prev_fmts=0x0%2C1519x695&nras=2&correlator=3498585878672&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=1791&biw=1519&bih=695&scr_x=0&scr_y=0&eid=44759876%2C44759927%2C44759842%2C31086552%2C95338226%2C31086515&oid=2&pvsid=3869634999695042&tmod=200008991&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=-1%2C-1%2C-1%2C-1%2C1536%2C0%2C1538%2C818%2C1536%2C695&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=0&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=M

Driscoll, Shenoy və Sussillo tərəfindən son araşdırmanın əsas məqsədi təkrarlanan birləşən süni neyron şəbəkələrinin hesablamalarının əsasını təşkil edən mexanizmləri araşdırmaq idi. Onların səyləri tədqiqatçılara modul hesablamalara imkan verən bu şəbəkələrin hesablama substratını, “dinamik motivlər” termini ilə təsvir etdikləri substratı müəyyən etməyə imkan verdi.

Driscoll, Shenoy və Sussillo yazırdı: “Dinamik sistemlərin təhlili təlim tapşırıq dəstinin modulyar alt tapşırıq strukturunu əks etdirən öyrənilmiş hesablama strategiyalarını aşkar etdi”. “Atraktorlar, qərar sərhədləri və fırlanmalar kimi dinamika vasitəsilə xüsusi hesablamaları həyata keçirən sinir fəaliyyətinin təkrarlanan nümunələri olan dinamik motivlər tapşırıqlar arasında təkrar istifadə edildi. Məsələn, davamlı dairəvi dəyişənin yaddaşını tələb edən tapşırıqlar eyni üzük atraktorunun məqsədini dəyişdirdi.”

Tədqiqatçılar bir sıra təhlillər aparıblar ki, konvolusion neyron şəbəkələrində vahid aktivləşdirmə funksiyası müsbət olmaqla məhdudlaşdıqda dinamik motivlər adlanan vahidlərin qrupları tərəfindən həyata keçirilir. Bundan əlavə, bu bölmələrin zədələnməsi şəbəkələrin modul hesablamaları yerinə yetirmək qabiliyyətinə mənfi təsir göstərdiyi aşkar edilmişdir.

Driscoll, Shenoy və Sussillo yazırdılar: “Motivlər öyrənmənin ilkin mərhələsindən sonra sürətli ötürmə öyrənmə üçün yenidən konfiqurasiya edildi” dedi Driscoll, Shenoy və Sussillo “Bu iş neyron və şəbəkə arasında aralıq olan kompozisiya hesablamasının əsas vahidi kimi dinamik motivləri müəyyən edir. Bütün beyin tədqiqatları eyni vaxtda fəaliyyəti qeyd edir. bir çox ixtisaslaşdırılmış sistemlərdən dinamik motiv çərçivəsi ixtisaslaşma və ümumiləşdirmə ilə bağlı suallara rəhbərlik edəcəkdir.”

Ümumilikdə, bu tədqiqatçılar qrupu tərəfindən aparılan son tədqiqat onların çoxsaylı tapşırıqların effektiv həlli qabiliyyətinə əhəmiyyətli dərəcədə töhfə verən konvolyusiya neyron şəbəkələrinin substratını müəyyənləşdirir. Gələcəkdə bu işin tapıntıları həm nevrologiya, həm də kompüter elmləri üzrə tədqiqatlar haqqında məlumat verə bilər ki, bu da potensial olaraq koqnitiv çevikliyin əsasını təşkil edən neyron proseslərin daha yaxşı başa düşülməsinə gətirib çıxarır və bu prosesləri süni neyron şəbəkələrində təqlid edən yeni strategiyaların işlənib hazırlanmasını məlumatlandırır .

Daha çox məlumat: Laura N. Driscoll və digərləri, Təkrarlanan şəbəkələrdə çevik çoxtasklı hesablama paylaşılan dinamik motivlərdən istifadə edir, Nature Neuroscience (2024). DOI: 10.1038/s41593-024-01668-6

Jurnal məlumatı: Nature Neuroscience