Research·
شبكات عصبية ذاتية التنظيم تبني آليات التعلم الخاصة بها
يُظهر باحثو معهد ماساتشوستس للتقنية أن الشبكات العصبية الاصطناعية قادرة على إعادة تنظيم ذاتها باستخدام قواعد محلية بسيطة، مما يوفر منظورًا جديدًا للتعلم البيولوجي وتوجيهًا محتملًا لواجهات الدماغ والحاسوب.
أثبت علماء في معهد ماكغفرن التابع لمعهد ماساتشوستس للتقنية ومركز ك. ليزا يانغ للحوسبة العصبية المتكاملة أن مجموعة من الوحدات المرتبطة عشوائيًا يمكن أن تتطور إلى شبكة فعالة لمعالجة المعلومات عند تزويدها بتعليمات أساسية فقط حول كيفية ومتى يجب أن تتغير المشابك.
على عكس نماذج التعلم العميق التقليدية التي تعتمد على خوارزمية الانتشار العكسي العالمية المصممة من قبل المهندسين، يتيح النهج الجديد لكل وحدة تعديل اتصالاتها بناءً على النشاط المحلي وقاعدة مرونة بسيطة. تكتشف الشبكة تلقائيًا تمثيلات مفيدة أثناء تدريبها على البيانات.
تشير تشيانلي لياو، الباحثة المشاركة والمؤلفة المشاركة الأولى، إلى أن الدماغ يفتقر إلى مهندس خارجي؛ فهو يضطر إلى التنظيم الذاتي عبر آليات محلية مماثلة. فهم هذه القواعد قد يوضح كيف يتعطل التعلم بسبب الشيخوخة أو المرض.
لماذا يهم ذلك للبنية التحتية لوحدات معالجة الرسوم والذكاء الاصطناعي
تقلل الشبكات ذاتية التنظيم من الحاجة إلى مجموعات بيانات ضخمة ذات تسميات وخطوط أنابيب تدريب مركزية، مما قد يخفض الطلب الحسابي على عناقيد وحدات معالجة الرسوم. كما تقترح معماريات أجهزة جديدة تدعم المرونة الموجهة بالأحداث على الشريحة — وهو مجال يمكن أن تسرع فيه سحابة وحدات معالجة الرسوم المرنة من AiGpu عملية التجربة.
- aigpu
- ai gpu
- ai gpu cloud
- aigpu dubai
- self-organizing networks
- neuroscience
- machine learning
بقلم AiGpu Editorial · إعادة صياغة تحريرية استناداً إلى تقارير عامة (MIT News AI)
→ كل المقالات