Hur flytande neurala n?tverk kan krympa AI-v?rlden

Flytande neurala n?tverk ?r bland de viktigaste och mest unika nya komponenterna inom artificiell intelligens (AI).

N?r en maskin eller robot beh?ver reagera p? externa stimuli eller data kan det vara extremt resurskr?vande och orsaka en flaskhals om man f?rs?ker f? in intelligens p? ett mycket litet utrymme.

VentureBeat beskriver hur ett klassiskt neuralt n?tverk kan beh?va 100 000 artificiella neuroner f?r att h?lla bilen stabil i en uppgift som att k?ra ett fordon l?ngs en v?g.

En otrolig uppt?ckt ?r dock att teamet vid MIT CSAIL, som utvecklar flytande neurala n?tverk, kunde utf?ra samma uppgift med bara 19 neuroner.

Inspirationen bakom flytande neurala n?tverk

Liquid Neural Networks ?r en typ av djupinl?rningsarkitektur som utvecklats f?r att l?sa en utmaning f?r robotar som utf?r komplex inl?rning och uppgifter, i syfte att komma runt problemet med beroende av molnet eller begr?nsad intern lagring.

Daniela Rus, chef f?r MIT CSAIL, ber?ttade f?r VentureBeat: “Inspirationen till flytande neurala n?tverk kom fr?n de befintliga metoderna f?r maskininl?rning och hur de passar ihop med den typ av s?kerhetskritiska system som robotar och edge-enheter erbjuder.

“P? en robot kan man inte k?ra en stor spr?kmodell eftersom det inte finns tillr?ckligt med [ber?kningskraft] och [lagringsutrymme] f?r det.”

Forskargruppen fann en ledtr?d till sitt problem i forskningen om biologiska nervceller som finns i sm? organismer.

Vad ?r flytande neurala n?tverk?

T?nk p? flytande neurala n?tverk som de sammankopplade cellerna i en m?nsklig hj?rna som g?r samman f?r att bearbeta information och producera resultat.

Den m?nskliga hj?rnan ?r ett mycket komplext cellarrangemang som utf?r extremt komplexa ber?kningar.

Flytande neurala n?tverk fokuserar p? s?kerhetskritiska till?mpningar, som sj?lvk?rande fordon och robotar, som beh?ver en kontinuerlig str?m av data som matas in i dem.

Daniela Rus s?ger: “I allm?nhet fungerar flytande n?tverk bra n?r vi har tidsseriedata … du beh?ver en sekvens f?r att flytande n?tverk ska fungera bra.

“Men om man f?rs?ker till?mpa den flytande n?tverksl?sningen p? en statisk databas som ImageNet kommer det inte att fungera s? bra.”

F?rdelar och begr?nsningar

Forskargruppen vid Computer Science and Artificial Intelligence Laboratory at MIT (CSAIL) fann f?ljande f?rdelar baserat p? deras erfarenhet.

• Kompakthet

Liquid Neural Networks kan arbeta med ett betydligt mindre antal neuroner ?n klassiska neurala n?tverk.

Som beskrivits ovan skulle ett klassiskt neuralt n?tverk med djupinl?rning beh?va 100 000 neuroner f?r att h?lla en sj?lvk?rande bil i sitt k?rf?lt – ett flytande neuralt n?tverk beh?ver bara 19 neuroner.

• Kausalitet

Liquid Neural Networks hanterar kausalitet b?ttre ?n klassiska Deep Learning Neural Networks. De kan se ett tydligt samband mellan orsak och verkan, vilket klassiska neurala n?tverk med djupinl?rning har sv?rt att g?ra.

Till exempel kan de klassiska djupinl?rda neurala n?tverken konsekvent identifiera orsak-verkan-relationer mellan h?ndelser i olika milj?er p? ett mer effektivt s?tt ?n det klassiska neurala n?tverket.

• Tolkningsbarhet

Att f?rst? ett AI-systems tolkning av data ?r en av de st?rsta utmaningarna inom AI.

Klassiska djupinl?rningsmodeller visar ofta ytliga, otydliga eller felaktiga grunder f?r tolkningar av data, men flytande neurala n?tverk kan f?rklara sina grunder f?r tolkning av data.

• Men…

Liquid Neural Networks ?r inte en helt?ckande l?sning f?r allt.

Medan de hanterar kontinuerliga datastr?mmar som ljudstr?mmar, temperaturdata eller videostr?mmar v?l, har de sv?rt med statiska eller fasta data, som ?r b?ttre l?mpade f?r andra AI-modeller.

Slutsatsen om neurala n?tverk och AI

I AI-landskapet ?r flytande neurala n?tverk bland de mest kritiska framv?xande modellerna.

Det samexisterar med det klassiska djupinl?rande neurala n?tverket men verkar passa b?ttre f?r extremt komplexa uppgifter som autonoma fordon, temperatur- eller klimatavl?sning eller aktiemarknadsbed?mningar, medan det klassiska djupinl?rande neurala n?tverket g?r ett b?ttre jobb med statiska eller eng?ngsdata.

Forskarna vid Computer Science and Artificial Intelligence Laboratory vid MIT (CSAIL) har f?rs?kt att ut?ka kapaciteten hos flytande neurala n?tverk till fler anv?ndningsomr?den, men det kommer att ta tid.

B?de flytande neurala n?tverk och klassiska djupinl?rande neurala n?tverk har sina definierade roller i den bredare AI-bilden, och det ?r definitivt ett fall d?r tv? modeller ?r b?ttre ?n en.