MIT研究人员开发出液态神经网络 可适应不同环境

据外媒报道，麻省理工学院的研究人员开发了一种新的神经网络，称为“液体”神经网络。它不仅可以在培训阶段学习，也可以在实际工作中学习。此外，它还可以改变其基本计算公式，以不断适应新的数据输入。这一进展将加快基于实时数据流的决策速度，包括医疗诊断和自动驾驶领域的数据流。这项研究的主要作者Ramin Hasani说：“这是时间序列数据处理方法的未来，如机器人控制、自然语言处理、视频处理等，具有巨大的潜力。”他还说：时间序列数据无处不在，对理解世界至关重要。世界上的一切都与之相关，包括人类的感知。人类实际上并不是在感知图像，而是在感知图像序列。因此，事实上，正是时间序列数据创造了我们的世界

Hasani还列出了一些对社会至关重要的时间序列，如视频处理、金融数据和医疗诊断应用。不断变化的数据流是不可预测的，但通过实时分析这些数据并利用它们预测未来的行为，我们可以推动自动驾驶汽车等新兴技术的发展。因此，Hasani为自动驾驶创造了新的算法，以适应现实世界系统的可变性。神经网络是一种算法，可以通过分析一组“经过训练”的例子来识别模式，通常被认为是模仿大脑思维。Hasani设计了一种新的神经网络，其灵感来自细长的线虫，即美丽的隐藏杆线虫。Hasani说：“秀丽隐杆线虫的神经系统只有302个神经元，但它可以产生出乎意料的复杂动力学。”Hasani还对其神经网络进行了编码，并特别关注秀丽隐杆虫的神经元如何通过电脉冲激活和相互交流。在他构建的神经网络方程中，参数可以根据一组嵌套微分方程的结果随时间变化。灵活性是神经网络的关键。大多数神经网络的行为在训练阶段后是固定的，这意味着它们很难适应输入数据流的变化。Hasani说，“液体”神经网络的流动性使其在处理意外或嘈杂的数据时更加灵活，例如大雨阻挡了自动驾驶汽车上摄像头的视线。因此，“液体”神经网络更强大。Hasani还补充说，神经网络灵活性的另一个优势是其更大的可解释性。Hasani表示，其液体神经网络成功地避免了其他神经网络的常见困难。通过使用微分方程来改变神经元的表现，人们可以探索其他方法无法发现的复杂性。由于Hasani使用的高表达神经元较少，因此更容易检查神经网络决策的“黑匣子”，并诊断为什么网络具有某些特征。Hasani还表示，“模型本身将具有更丰富的表达能力”，这将有助于工程师理解和提高流量网络的性能。液体神经网络在一系列测试中表现良好。就预测数据集未来值的准确性而言，液体神经网络比其他时间序列算法高出几个百分点。Hasani说：“在许多应用中，液体神经网络确实具有更高的性能。此外，它们的小尺寸意味着可以在不产生高计算成本的情况下完成测试。每个人都想扩展神经网络，但我希望减少其尺寸和节点数，但它更复杂。”。Hasani计划继续改进该系统，并准备将其应用于工业应用。他说：“我们发现，受自然启发的神经网络更具表现力。”。但这仅仅是一个开始。我们如何扩大它？我们相信，这样的神经网络将对未来的智能系统产生重大影响

标签：发现

汽车资讯热门资讯