模仿生物深度学习模型人工智能系统可以控制少量人造神经元的车辆

　　如果模仿生物模型，人工智能(AI)可以变得更加高效和可靠。人工智能研究的新方法在实验中取得了巨大成功。
 

　　从搜索引擎到无人驾驶汽车，人工智能已经进入我们的日常生活。这与近年来已获得的巨大计算能力有关。但是AI研究的新结果现在表明，与以往相比，更简单，更小的神经网络可以更好，更有效，更可靠地解决某些任务。
 

　　国际上已经有人开发了一种基于细线动物(例如线虫)的大脑的新型人工智能系统。这种新颖的AI系统可以控制带有少量人造神经元的车辆。
 

　　该系统比以前的深度学习模型具有决定性的优势：它可以更好地应对嘈杂的输入，并且由于其简单性，可以详细说明其操作模式。它不必被视为复杂的“黑匣子”，但人类可以理解。
 

　　神经回路政策是一种受生物神经元启发的有前途的新架构。它产生了可以处理复杂任务的非常小的模型。这种简单性使其更强大，更易解释。
 

　　向自然学习
 

　　类似于活脑，人工神经网络由许多单个细胞组成。当一个单元处于活动状态时，它将向其他单元发送信号。下一个小区接收到的所有信号都将组合起来，以决定该小区是否也将变为活动状态。一个单元格影响下一个单元格活动的方式决定了系统的行为-在自动学习过程中调整这些参数，直到神经网络可以解决特定任务为止。
 

　　多年来，我们一直在研究我们可以从自然界中学到什么，以改善深度学习，例如，线虫秀丽隐杆线虫以极少的神经元数量生活，并且仍然表现出有趣的行为模式。这是由于线虫的神经系统有效而和谐地处理信息的方式。
 

　　自然向我们展示了仍有很大的改进空间。因此，我们的目标是大幅降低复杂性并开发一种新型的神经网络架构。
 

　　受自然界的启发，我们开发了神经元和突触的新数学模型，
 

　　与以前的深度学习模型相比，单个单元内信号的处理遵循不同的数学原理，此外，我们的网络非常稀疏-这意味着并非每个单元都连接到其他每个单元。这也使网络更简单。
 

　　自主车道保持
 

　　为了测试新想法，团队选择了一项特别重要的测试任务：将无人驾驶汽车留在自己的车道上。神经网络接收道路的摄像机图像作为输入，并自动决定是向右还是向左转向。
 

　　如今，具有数百万个参数的深度学习模型通常用于学习诸如自动驾驶之类的复杂任务，但是，我们的新方法使我们能够将网络规模减少两个数量级。我们的系统仅使用75,000个可训练参数。
 

　　新系统由两部分组成首先由所谓的卷积神经网络处理摄像机的输入，它仅处理视觉数据以从传入像素中提取结构特征。它与车辆的实际转向无关。该网络确定摄像机图像的哪些部分有趣且重要，然后将信号传递到网络的关键部分–“控制系统”，然后控制车辆。
 

　　两个子系统堆叠在一起并同时接受培训。收集了大波士顿地区许多小时的人类驾驶交通视频，并将其与有关如何在任何给定情况下如何驾驶汽车的信息一起馈入网络，直到系统学会了自动将图像与适当的转向系统连接起来为止方向，可以独立处理新情况。
 

　　系统的控制部分(称为神经回路策略或NCP)将感知模块中的数据转换为转向命令，仅包含19个神经元。这比以前的最新模型要小几个数量级
 

　　因果关系和可解释性
 

　　新的深度学习模型已在真正的无人驾驶汽车上进行了测试。我们的模型使我们能够研究驾驶时网络将注意力集中在什么方面。我们的网络专注于摄像机图像的非常具体的部分：路边和地平线。这种行为是非常可取的，并且在人工智能系统中是独一无二的。此外，我们看到可以确定每个单元在任何驾驶决策中的作用。我们可以了解单个细胞的功能及其行为。对于更大的深度学习模型而言，实现这种程度的可解释性是不可能的。
 

　　坚固性
 

　　为了测试与以前的深层模型相比，NCP的稳定性，我们对输入图像进行了扰动，并评估了代理商对噪声的处理能力，虽然这成为其他深度神经网络无法解决的问题，但我们的NCP表现出了对输入伪像的强大抵抗力。这种属性是新型神经模型和架构的直接结果。
 

　　可解释性和稳健性是我们新模型的两个主要优势，但是还有更多：使用我们的新方法，我们还可以减少培训时间，并减少在相对简单的系统中实施AI的可能性。从仓库中的自动化工作到机器人运动，我们的NCP可以在广泛的可能应用中进行模仿学习。新发现为AI社区打开了重要的新视野：生物神经系统中的计算原理可以成为创建高性能可解释AI的重要资源-替代我们迄今为止使用的黑盒子机器学习系统。