DeepMind, создавший эпохальную AlphaGo, снова добился выдающихся достижений в области машинного обучения. Вчера исследователи из британской компании AI опубликовали статью на тему Природа - Векторная навигация с использованием представлений в виде сетки в искусственных агентах, в которой предлагается искусственный виртуальный агент, который может перемещаться, как млекопитающие.
Люди и другие животные перемещаются из одного места в другое, казалось бы, не задумываясь, обходя препятствия и даже находя короткие пути. Ученые выделили три типа клеток мозга, связанных с навигационной способностью: Ячейки места запоминают прошлые местоположения, Ячейки направления головы определяют движение и направление и Ячейки сетки разделите пространственную среду на гексагональную сетку сот, подобную системе координат на карте.
Мэй-Бритт Мозер и Эдвард Мозер выиграли Нобелевскую премию по физиологии и медицине 2014 года за «открытия клеток, которые составляют систему позиционирования в мозгу», то есть решетчатую ячейку. Тем не менее, некоторые ученые предполагают, что, помимо работы в качестве системы позиционирования в мозге, Grid Cells также участвуют в векторных вычислениях, чтобы помочь в планировании маршрута. Это гипотеза, которую DeepMind хочет проверить с помощью методов искусственного интеллекта.
В ходе исследования исследователи использовали данные из реального мира и смоделировали траектории движения большого количества травоядных грызунов, а затем построили модели для изучения этих движений. В качестве основного использованного метода использовались рекуррентные нейронные сети (RNN) с долгосрочной краткосрочной памятью (LSTM), которые запоминали предыдущее местоположение, направление и скорость агентов, а затем интегрировали они с исторической информацией, чтобы сделать следующий шаг.
Короче говоря, DeepMind хочет, чтобы программа научилась ориентироваться, как кролик. Удивительно, но поведение агента было похоже на модели нейронной активности Grid Cell.
Затем команда применила глубокое обучение с подкреплением, чтобы проверить, можно ли использовать эту сетчатую структуру для векторной навигации. Первоначальная «грид-сеть» была объединена с более крупной архитектурой нейронной сети, чтобы сформировать агента, который затем обучался с помощью обучения с подкреплением в игровой среде виртуальной реальности. После обучения модели агент поднялся до уровня профессионального игрока в области навигации, поиска ярлыков и открытия новых маршрутов.
Что еще более важно, когда сгенерированные блоки сетки были отключены, навигационные возможности агента стали значительно менее точными в измерении расстояния и направления.
Synced собрал комментарии ученых по векторной навигации с использованием представлений в виде сетки в искусственных агентах:
«Невероятное открытие ячеек сетки показало, что мозг создает карты мест, накладывая их на пространственную сетку, что очень полезно для определения того, где мы находимся, - обеспечивая нас чем-то вроде сигнала GPS».
- Даршан Кумаран в интервью Wired, автору этой статьи.
«Интересно, что сеть, исходя из очень общих вычислительных предположений, не учитывающих конкретные биологические механизмы, нашла решение интеграции путей, которое кажется похожим на решение мозга. То, что сеть сошлась на таком решении, является убедительным доказательством того, что в паттернах активности ячеек сетки есть что-то особенное, которое поддерживает интеграцию путей ».
- Франческо Савелли и Джеймс Книрим, нейробиологи из Университета Джона Хопкинса.
«Во-первых, если функция потерь нейронной сети не включает регуляризацию, она не может показать функцию ячейки сетки. Это открытие дает нам новый подход к функции регуляризации. Во-вторых, в документе указывается, что характеристики «черного ящика» глубинной нейронной сети препятствуют дальнейшему анализу функции активности ячеек сетки при интеграции путей. Это еще раз подтверждает необходимость изучения интерпретируемости нейронных сетей в настоящее время ».
- Чунпенг Ву, аспирант Университета Дьюка.
«Изучение ячеек положения и ячеек сетки проливает свет на искусственный интеллект, особенно систему роботов. Позиционная ячейка - это фактически база данных пространственного индекса, которая описывает топологическое пространство; а ячейка сетки - это геометрический калькулятор, который описывает евклидово пространство. Эта организация полностью отличается от наших нынешних компьютерных технологий и имеет очень большое преимущество ».
- Фангде Лю, бывший научный сотрудник Имперского колледжа, а ныне генеральный директор хирургического искусственного интеллекта.
«Один из выводов этой работы (как из статьи DeepMind, так и из статьи в Колумбии, которая была опубликована первой, но получит гораздо меньше цитирований), это то, что ячейки сетки возникают из задачи интеграции путей. Интеграция путей прекрасна, если вы ведете ночной образ жизни, но люди больше полагаются на зрение ».
- Саймон Корнблит, резидент Google Brain
* * *
Автор: Мос Чжан | Редактор: Тони Пэн, Майкл Саразен
* * *
Подпишитесь здесь, чтобы получать подробные технические новости, обзоры и аналитику!
* * *
Конкурс искусственного интеллекта ATEC - это конкурс финтех-алгоритмов, проводимый Ant Financial для ведущих мировых разработчиков алгоритмов обработки данных. Он фокусируется на важнейших отраслевых вопросах финтеха и обеспечивает призовой фонд в миллионы. Зарегистрируйся сейчас!
