بزرگنمايي:

ایران پرسمان - ایسنا /پژوهشگران دانشگاه «ام‌آی‌تی» یک مدل هوش مصنوعی جدید را با الهام از نوسانات عصبی مغز ابداع کرده‌اند که هدف از ساخت آن، پیشرفت قابل توجه در نحوه مدیریت توالی‌های طولانی داده‌ها توسط الگوریتم‌های یادگیری ماشینی است.
هوش مصنوعی اغلب در تحلیل اطلاعات پیچیده مانند روندهای آب‌وهوایی، سیگنال‌های بیولوژیکی یا داده‌های مالی که طی دوره‌های طولانی آشکار می‌شوند، با مشکل روبه‌رو هستند. نوع جدیدی از مدل هوش مصنوعی به نام «مدل‌های فضای حالت» به طور ویژه برای درک مؤثرتر این الگوهای متوالی طراحی شده است. با وجود این، مدل‌های فضای حالت موجود اغلب با چالش‌هایی روبه‌رو هستند. آنها گاهی اوقات هنگام پردازش توالی‌های طولانی داده ناپایدار می‌شوند یا ممکن است به مقدار قابل توجهی از منابع محاسباتی نیاز داشته باشند.
به نقل از ام‌آی‌تی نیوز، «کنستانتین راش»(Konstantin Rusch) و «دانیلا راس»(Daniela Rus) پژوهشگران دانشگاه «ام‌آی‌تی»(MIT) برای پرداختن به این مشکلات، «مدل‌های فضای حالت نوسانی خطی»(LinOSS) را به کار گرفته‌اند که از اصول نوسان‌گرهای هارمونیک بهره می‌برد. این مفهوم عمیقا ریشه در فیزیک دارد و در شبکه‌های عصبی بیولوژیکی مشاهده می‌شود. این رویکرد، پیش‌بینی‌های پایدار و کارآمد را بدون شرایط بیش از اندازه محدودکننده بر پارامترهای مدل ارائه می‌دهد.
راش توضیح داد: هدف ما به دست آوردن پایداری و کارآیی مشاهده‌شده در سیستم‌های عصبی بیولوژیکی و انتقال این اصول به یک چارچوب یادگیری ماشینی بود. با LinOSS اکنون می‌توانیم تعاملات دوربرد را به طور قابل اطمینان یاد بگیریم؛ حتی در توالی‌هایی که صدها هزار داده یا بیشتر را در بر می‌گیرند.
مدل LinOSS در تضمین پیش‌بینی پایدار با نیاز به انتخاب‌های طراحی بسیار محدودتر از روش‌های پیشین، منحصربه‌فرد است. آزمایش‌های تجربی نشان داد که LinOSS در طبقه‌بندی و پیش‌بینی توالی‌های پیچیده، بهتر از مدل‌های پیشرفته موجود عمل می‌کند. نکته قابل توجه این است که LinOSS در وظایف شامل توالی‌هایی با طول بسیار زیاد، تقریبا دو برابر بهتر از مدل پرکاربرد «Mamba» عمل کرد.
پژوهشگران پیش‌بینی می‌کنند مدل LinOSS به طور قابل توجهی بر هر زمینه‌ای که از پیش‌بینی و طبقه‌بندی دقیق و کارآمد در بلندمدت بهره‌مند می‌شود، از جمله تحلیل مراقبت‌های بهداشتی، علوم آب‌وهوایی، رانندگی خودکار و پیش‌بینی مالی تأثیر بگذارد.
راس می‌گوید: این پژوهش نشان می‌دهد که چگونه دقت ریاضی می‌تواند به پیشرفت‌های عملکردی و کاربردهای گسترده ختم شود. با LinOSS، ما یک راهبرد قوی را برای درک و پیش‌بینی سیستم‌های پیچیده در اختیار جامعه علمی قرار می‌دهیم و شکاف بین الهامات بیولوژیکی و نوآوری محاسباتی را پر می‌کنیم.
این گروه پژوهشی معتقدند که ظهور الگوی جدیدی مانند LinOSS برای متخصصان یادگیری ماشینی جالب خواهد بود تا براساس آن کار کنند. پژوهشگران با نگاه به آینده قصد دارند مدل خود را در طیف گسترده‌تری از روش‌های گوناگون تحلیل داده به کار بگیرند. علاوه بر این، آنها باور دارند که LinOSS می‌تواند اطلاعات ارزشمندی را در علوم اعصاب ارائه دهد و درک ما را درباره خود مغز عمیق‌تر کند.