Новое исследование показало, что задержки в работе мозга могут быть полезными для обучения
Учёные из Университета Бар-Илан и Междисциплинарного центра исследований мозга имени Гонды (Гольдшмид) провели исследование, которое показало, что задержки в работе мозга могут быть полезными для обучения. Результаты исследования были опубликованы в журнале Physica A: Statistical Mechanics and its Applications.
Исследователи обнаружили, что задержки в работе мозга, которые ранее считались препятствием, на самом деле могут быть полезными для обучения. Группа под руководством профессора Идо Кантера обнаружила, что задержки могут быть использованы мозгом для более эффективного и гибкого обучения без изменения архитектуры.
«Большое преимущество наличия системы с задержками заключается в том, что динамика мозга может использовать задержки как преимущество. В искусственных нейронных сетях каждому объекту требуется свой собственный выходной блок для распознавания, тогда как мозг может использовать один нейронный выход, где его активность как функция времени различает различные объекты. По сути, можно сказать, что мозг использует время для обучения, а компьютер использует пространство», — сказал профессор Кантер.
Это открытие может пролить свет на то, как биологический механизм, который считался препятствием, на самом деле может принести большую пользу динамике обучения, даже превосходя машинное обучение. Развитие этого исследования может проложить путь для лучших, более быстрых и сложных систем искусственного обучения.
«Это делает мозг гораздо более модульным для изменений, не требуя изменения архитектуры. Изучение новых объектов не требует другой архитектуры, а просто изучения сигнала в дополнительное время вывода. Это также позволяет распознавать комбинацию объектов. Допустим, изображение лошади может быть распознано в определённое время, изображение человека — в другое, но человек, едущий на лошади, может быть распознан в некоторое промежуточное время между ними», — добавил Ярден Цах, ведущий аспирант лаборатории.
Это исследование может иметь значительные последствия для разработки новых систем искусственного обучения, которые могут быть более эффективными и гибкими, чем существующие системы.