模仿生物深度學習模型人工智能系統(tǒng)可以控制少量人造神經(jīng)元的車輛

　　如果模仿生物模型，人工智能(AI)可以變得更加高效和可靠。人工智能研究的新方法在實驗中取得了巨大成功。
 

　　從搜索引擎到無人駕駛汽車，人工智能已經(jīng)進入我們的日常生活。這與近年來已獲得的巨大計算能力有關。但是AI研究的新結(jié)果現(xiàn)在表明，與以往相比，更簡單，更小的神經(jīng)網(wǎng)絡可以更好，更有效，更可靠地解決某些任務。
 

　　國際上已經(jīng)有人開發(fā)了一種基于細線動物(例如線蟲)的大腦的新型人工智能系統(tǒng)。這種新穎的AI系統(tǒng)可以控制帶有少量人造神經(jīng)元的車輛。
 

　　該系統(tǒng)比以前的深度學習模型具有決定性的優(yōu)勢：它可以更好地應對嘈雜的輸入，并且由于其簡單性，可以詳細說明其操作模式。它不必被視為復雜的“黑匣子”，但人類可以理解。
 

　　神經(jīng)回路政策是一種受生物神經(jīng)元啟發(fā)的有前途的新架構(gòu)。它產(chǎn)生了可以處理復雜任務的非常小的模型。這種簡單性使其更強大，更易解釋。
 

　　向自然學習
 

　　類似于活腦，人工神經(jīng)網(wǎng)絡由許多單個細胞組成。當一個單元處于活動狀態(tài)時，它將向其他單元發(fā)送信號。下一個小區(qū)接收到的所有信號都將組合起來，以決定該小區(qū)是否也將變?yōu)榛顒訝顟B(tài)。一個單元格影響下一個單元格活動的方式?jīng)Q定了系統(tǒng)的行為-在自動學習過程中調(diào)整這些參數(shù)，直到神經(jīng)網(wǎng)絡可以解決特定任務為止。
 

　　多年來，我們一直在研究我們可以從自然界中學到什么，以改善深度學習，例如，線蟲秀麗隱桿線蟲以極少的神經(jīng)元數(shù)量生活，并且仍然表現(xiàn)出有趣的行為模式。這是由于線蟲的神經(jīng)系統(tǒng)有效而和諧地處理信息的方式。
 

　　自然向我們展示了仍有很大的改進空間。因此，我們的目標是大幅降低復雜性并開發(fā)一種新型的神經(jīng)網(wǎng)絡架構(gòu)。
 

　　受自然界的啟發(fā)，我們開發(fā)了神經(jīng)元和突觸的新數(shù)學模型，
 

　　與以前的深度學習模型相比，單個單元內(nèi)信號的處理遵循不同的數(shù)學原理，此外，我們的網(wǎng)絡非常稀疏-這意味著并非每個單元都連接到其他每個單元。這也使網(wǎng)絡更簡單。
 

　　自主車道保持
 

　　為了測試新想法，團隊選擇了一項特別重要的測試任務：將無人駕駛汽車留在自己的車道上。神經(jīng)網(wǎng)絡接收道路的攝像機圖像作為輸入，并自動決定是向右還是向左轉(zhuǎn)向。
 

　　如今，具有數(shù)百萬個參數(shù)的深度學習模型通常用于學習諸如自動駕駛之類的復雜任務，但是，我們的新方法使我們能夠?qū)⒕W(wǎng)絡規(guī)模減少兩個數(shù)量級。我們的系統(tǒng)僅使用75,000個可訓練參數(shù)。
 

　　新系統(tǒng)由兩部分組成首先由所謂的卷積神經(jīng)網(wǎng)絡處理攝像機的輸入，它僅處理視覺數(shù)據(jù)以從傳入像素中提取結(jié)構(gòu)特征。它與車輛的實際轉(zhuǎn)向無關。該網(wǎng)絡確定攝像機圖像的哪些部分有趣且重要，然后將信號傳遞到網(wǎng)絡的關鍵部分–“控制系統(tǒng)”，然后控制車輛。
 

　　兩個子系統(tǒng)堆疊在一起并同時接受培訓。收集了大波士頓地區(qū)許多小時的人類駕駛交通視頻，并將其與有關如何在任何給定情況下如何駕駛汽車的信息一起饋入網(wǎng)絡，直到系統(tǒng)學會了自動將圖像與適當?shù)霓D(zhuǎn)向系統(tǒng)連接起來為止方向，可以獨立處理新情況。
 

　　系統(tǒng)的控制部分(稱為神經(jīng)回路策略或NCP)將感知模塊中的數(shù)據(jù)轉(zhuǎn)換為轉(zhuǎn)向命令，僅包含19個神經(jīng)元。這比以前的最新模型要小幾個數(shù)量級
 

　　因果關系和可解釋性
 

　　新的深度學習模型已在真正的無人駕駛汽車上進行了測試。我們的模型使我們能夠研究駕駛時網(wǎng)絡將注意力集中在什么方面。我們的網(wǎng)絡專注于攝像機圖像的非常具體的部分：路邊和地平線。這種行為是非常可取的，并且在人工智能系統(tǒng)中是獨一無二的。此外，我們看到可以確定每個單元在任何駕駛決策中的作用。我們可以了解單個細胞的功能及其行為。對于更大的深度學習模型而言，實現(xiàn)這種程度的可解釋性是不可能的。
 

　　堅固性
 

　　為了測試與以前的深層模型相比，NCP的穩(wěn)定性，我們對輸入圖像進行了擾動，并評估了代理商對噪聲的處理能力，雖然這成為其他深度神經(jīng)網(wǎng)絡無法解決的問題，但我們的NCP表現(xiàn)出了對輸入偽像的強大抵抗力。這種屬性是新型神經(jīng)模型和架構(gòu)的直接結(jié)果。
 

　　可解釋性和穩(wěn)健性是我們新模型的兩個主要優(yōu)勢，但是還有更多：使用我們的新方法，我們還可以減少培訓時間，并減少在相對簡單的系統(tǒng)中實施AI的可能性。從倉庫中的自動化工作到機器人運動，我們的NCP可以在廣泛的可能應用中進行模仿學習。新發(fā)現(xiàn)為AI社區(qū)打開了重要的新視野：生物神經(jīng)系統(tǒng)中的計算原理可以成為創(chuàng)建高性能可解釋AI的重要資源-替代我們迄今為止使用的黑盒子機器學習系統(tǒng)。