受蛲虫大脑启发构建新AI系统 利用更少的神经元控制车辆

导读:盖世汽车讯 从搜索引擎到自动驾驶汽车,人工智能已经进入到人们的日常生活,这与近年来所实现的巨大计算能力密不可分。不过,最近有一项新研究的结果表明,与之前相比,采用更简单、更小的神经元网络能够更好、更高效、更可靠地解决某些任务。 该团队在一项...

盖世汽车讯 从搜索引擎到自动驾驶汽车,人工智能已经进入到人们的日常生活,这与近年来所实现的巨大计算能力密不可分。不过,最近有一项新研究的结果表明,与之前相比,采用更简单、更小的神经元网络能够更好、更高效、更可靠地解决某些任务。

该团队在一项重要任务上测试了新神经网络:让自动驾驶汽车保持在车道内行驶(图片来源:奥地利科学技术研究所)

据外媒报道,维也纳工业大学(TU Wien)、奥地利科学技术研究所(IST Austria)以及美国麻省理工学院(MIT)组建的一支国际研究小组研发了一种新型人工智能系统,基于蛲虫等微小动物的大脑构建,可以采用少量的神经元控制车辆。该小组表示,与之前的深度学习模型相比,该系统具有决定性的优势,如可以更好地应对有噪输入信号。此外,由于该系统很简单,因而可以详细解释其运行模式,不是一个复杂的“黑匣子”,而是可以被人类理解。

与大脑类似,人工神经网络也由许多独立的细胞构成。当一个细胞处于活动状态时,它会向其他细胞发送信号。下一个细胞会将所有接收到的信号组合起来,以决定是否它也要活跃起来,即一个细胞影响到下一个细胞活动的方式决定了该系统的行为。在自动学习过程中,此类参数会被调整,直到该神经网络可以解决某个特定的任务。

研究人员表示:“多年来,我们一直在研究可以从自然界中学习到什么,以改进深度学习。例如,C. elegans线虫的神经元数量就少的惊人,但却仍表现出十分有趣的行为模式,这是因为线虫的神经系统会以高效且和谐的方式处理信息。大自然告诉我们,还有很大的改进空间。因此,我们的目标是大幅降低神经网络模型的复杂性,增强可解释性。受大自然启发,我们研发了由神经元和突触组成的新型数学模型。”

该神经网络内单个细胞内部的信号处理所遵循的数学原理与之前的深度学习模型不同,而且该神经网络非常稀疏,意味着并非每个细胞都与其他细胞连接在一起,从而也可让该网络变得更简单。

为了测试新网络,研究小组选择了一个特别重要的测试任务:让自动驾驶汽车保持在车道内行驶。该神经网络可以接收道路摄像头的输入信息,并自行决定车辆是向右还是向左行驶。

研究人员表示:“现在,拥有数百万个参数的深度学习模型经常被用于学习自动驾驶等复杂任务。但是我们的新方法能够让我们将该网络的规模缩小两个数量级,只采用7.5万个可训练参数。”

研究人员还解释道,新系统由两部分组成:首先,摄像头输入信息由卷积神经网络进行处理,该网络只会感知视觉数据,从输入的像素中提取结构特征,并决定哪些部分是有趣且重要的,然后将信号传输到该网络的关键部分“控制系统”,然后就可以控制车辆。

两个子系统堆叠在一起,同时接受训练。大波士顿地区的人类驾驶交通视频被采集然后输入到该网络中,加上在特定情况下如何控制车辆的信息,该系统就可以学会自动将图像与合适的行驶方向连接起来,并能够独自处理新情况。

该系统的控制部分(神经回路策略,NCP)仅由19个神经元组成,可将感知模块的数据转换为控制指令。研究人员表示,与最先进的模型相比,NCP的规模要小3个数量级。

该款新型深度学习模型在一辆真正的自动驾驶汽车上接受了测试。研究人员表示:“我们的模型可以让我们查看在车辆行驶时,该网络关注的是什么。我们的网络关注于摄像头图片中非常具体的部分:路边以及地平线,此种行为是独一无二的。此外,可以确定每个细胞在任何驾驶决策中的作用,可以理解单个细胞的功能及行为。”

研究人员还表示:“为了比较NCP与之前深度模型的鲁棒性,我们对输入的图像进行了干扰,并评估了该代理处理有噪信号的能力。对于其他深度神经网络而言,该问题难以克服。但是,我们的NCP却可以抵御输入的伪信号。我们新模型的两大优势是可解释性和鲁棒性,不过,也还有其他优势,例如,可以减少训练时间,可以在相对简单的系统中实现AI。此外,我们的NCP可以让模仿学习应用于仓库自动化作业、机器人运动等各种应用。新方法为AI社区开辟了新前景,生物神经系统的计算原理可成为构建高性能可解释AI的巨大资源,替代现有的黑匣子机器学习系统。”