نوع جدیدی از شبکه عصبی هوش مصنوعی کشف شد/ افزایش دقت و تفسیرپذیری

به گزارش خبرگزاری علم و فناوری آنا به نقل از اسپکتروم، شبکه‌های عصبی مصنوعی یا الگوریتم‌هایی که از مغز طبیعی انسان الهام گرفته‌اند در مراکز هوش مصنوعی مدرن توسعه پیدا کرده‌اند. اما با نورون‌های فراوانی که دارند، می‌توانند مانند جعبه سیاهی باشند که عملکرد درونی آنها برای کاربران قابل تفسیر نیست.

اکنون محققان روشی جدید برای ساخت شبکه‌های عصبی ایجاد کرده‌اند که از برخی جهات از سیستم‌های سنتی پیشی می‌گیرد. توسعه‌دهندگان آنها می‌گویند این روش کمک می‌کند تا دانشمندان قوانین جدید طبیعت را کشف کنند.

پژوهشگران دانشگاه جان هاپکینز نوع پیشگامانه‌ای از شبکه عصبی مصنوعی، معروف به شبکه‌های کولموگروف-آرنولد (KANs) را توسعه داده‌اند که در مقایسه با شبکه‌های عصبی سنتی، دقت و قابلیت تفسیر بهتری را ارائه می‌دهد.

محققان باور دارند که این شبکه‌های جدید می‌توانند به دانشمندان در کشف قوانین فیزیکی جدید کمک کنند و آنها را به پیشرفت قابل توجهی در هوش مصنوعی تبدیل کنند.

به طور سنتی، شبکه‌های عصبی، به‌ویژه پِرسپترون‌های چند لایه (نام یک الگوریتم در شبکه عصبی هوش مصنوعی به معنای نورون اداراکی) از طریق اتصالات وزنیِ ساده به نام سیناپس‌ها عمل می‌کنند که می‌تواند عملیات آنها را تا حد زیادی کنترل کند. در مقابل، شبکۀ کولموگروف-آرنولد به سیناپس‌ها اجازه می‌دهد تا عملکرد‌های پیچیده‌ای را یاد بگیرند که ورودی‌ها را به خروجی‌ها تبدیل کنند و ضمن افزایش انعطاف‌پذیری آنها تعداد پارامتر‌های مورد نیاز برای یادگیری مؤثر را به حداقل میرسانند.

در آزمایش‌های اولیه، شبکه‌های کولموگروف-آرنولد بهبود عملکرد قابل توجهی را نشان داده‌اند. به عنوان مثال، هنگام حل معادلات دیفرانسیل جزئی، این شبکه‌ها به سطوح دقت ۱۰۰ برابر بیشتر از همتایان خود با پارامتر‌های بسیار کمتر دست یافتند.

در آزمایش دیگری که بر گره‌های توپولوژیکی متمرکز بود، یک شبکه کولموگروف-آرنولد تنها با استفاده از ۲۰۰ پارامتر به دقت ۸۱.۶ درصد رسید و از یک پِرسپترون‌که از ۳۰۰ هزار پارامتر با دقت ۷۸ درصد استفاده می‌کرد، پیشی گرفت.

معماری شبکه کولموگروف-آرنولد در حال حاضر توجه جامعه دانشگاهی را به خود جلب کرده است و محققان می‌توانند به صورت بصری شبکه‌های کولموگروف-آرنولد را از نظر اهمیت اتصال بهینه‌سازی کنند.