跳到主要內容
訪客人次:439333
:::
訪客人次:439333
:::
:::

加國新研究發現神經元形狀適於深度學習

深度學習已使機器能夠像人類一樣「看」這個世界,並辨識語言。雖然深度學習啟蒙於人腦運作方式,但我們的大腦真的是這樣學習新知的嗎?這個問題的答案也許具有創造更多強有力人工智慧並解答人類智慧謎團的可能。
  在2017年12月5日刊載於eLife的一篇研究論文中,加拿大先進研究所(CIFAR)研究員理查茲(Blake Richards)及同事公開了一種模擬人類大腦中深度學習運作方式的演算法。這個網絡顯示,某些哺乳動物神經元擁有適合深度學習的形狀及電子特性。此外,它也以更符合生物學的方式展現了大腦如何進行深度學習。此一研究由理查茲及他多倫多大學士嘉堡(Scarborough)校區的研究生格爾奎伊夫(Jordan Guerguiev)負責,並與Google DeepMind的里利克萊普(Timothy Lillicrap)合作,他們的演算法根基於新皮層中的神經元負責更高層次思考。
  理查茲表示:「這些神經元的形狀大部份類似樹木,根部深入大腦,枝葉近於表層。有趣的是,根部接受的訊息與上層枝葉所接受的訊息不同。」運用對此神經元結構的認識,理查茲及格爾奎伊夫建造了一個類似的,在不同部位接受不同訊息的模型。這些不同部位允許不同層次的神經元模擬協同合作,達致深度學習。理查茲表示:「這一系列模擬並不能告訴我們大腦到底是如何運作的,但如果我們的大腦也能使用類似的人工智慧演算法,則須更進一步的實驗檢視。」
  理查茲表示,此一研究構想可追溯至人工智慧先驅辛頓(Geoffrey Hinton,加拿大先進研究所一位知名的研究員及「機器及大腦學習」(Learning in Machines & Brains)計畫創始人),和計畫共同負責人班吉歐(Yoshua Bengio)。他們創立「機器及大腦學習」計畫的初衷就是為了了解人工智慧,這些研究人員不僅僅發展人工智慧,同時還想了解人類大腦如何學習。2000年初,理查茲及里利克萊普共同在多倫多大學選修一門辛頓教授的課程,並相信深度學習模型確實能捕捉到人類大腦學習的「某些真相」。當時要測試此想法尚面臨一些挑戰。首先,尚未能釐清深度學習是否能夠達到人類的技術水準;其次,深度學習演算法違反了神經學家已證實的生物學事實。
  現在,理查茲及一些研究員正在努力縮小神經科學與人工智慧間的鴻溝。此論文建基於一項生物學上可行且由班吉歐實驗室所做的訓練神經網絡實驗,及里利克萊普所創的一套演算法,這套演算法進一步放寬了某些訓練神經網絡規則。論文同時也納入了萊肯(Matthew Larkam)對新皮層神經元結構的研究,藉由結合神經元見解及現有的深度學習演算法,理查茲的小組得以創造一個更實際模擬人類大腦學習的演算法。
  類似樹木的新皮質神經元只是大腦眾多細胞中的一種,理查茲表示,未來的研究應該模擬不同的腦細胞並觀察它們如何一起互動,以達到深度學習。長遠來看,他期待研究人員能夠克服如何透過經驗就可學習等等的主要挑戰。理查茲說:「今後十餘年內,我們可能見到神經科學及人工智慧間真正的研究良性循環,神經科學的發現幫助我們發展新的人工智慧,而人工智慧可以幫助我們詮釋並了解我們在神經科學方面的實驗資料。」
  「通過神經枝狀晶體的深度學習」(Towards deep learning with segregated dendrites)研究論文刊於2017年12月5日一期的 eLife。

https://www.cifar.ca/assets/neurons-deep-learning/

更新日期 : 2018/03/28