Nedavna studija istraživača sa Stanforda, Univerziteta u Njujorku i Univerziteta Kolumbija, objavljena u Nature Neuroscience, pruža nova saznanja o tome kako veštačke neuronske mreže mogu da obavljaju modularne proračune, što je ključna komponenta za postizanje kognitivne fleksibilnosti slične ljudskoj.
Istraživači Laura N. Driscoll, Krishna Shenoi i David Sussillo proučavali su rekurentne neuronske mreže sposobne za obavljanje više zadataka. Njihova studija fokusirana je na otkrivanje algoritamskih supstrata koji omogućavaju mrežama da se efikasno adaptiraju za različite zadatke. Rezultati otkrivaju ulogu „dinamičkih motiva“ – ponovljivih obrazaca neuronske aktivnosti koji podržavaju modularno računanje kroz različite zadatke.
Analize su pokazale da se dinamički motivi implementiraju kao klasteri jedinica u mrežama sa pozitivnom aktivacijom. Proučavanje ovih motiva omogućilo je istraživačima da identifikuju strategije koje mreže koriste za prilagođavanje i efikasno rešavanje različitih zadataka. Na primer, isti atraktor korišćen je za zadatke koji zahtevaju pamćenje promenljivih, što je pokazatelj kako mreže modularno rekonfigurišu svoje proračune.
„Ovaj rad postavlja dinamičke motive kao osnovne jedinice kompozicionog proračuna“, izjavili su Driscoll, Shenoi i Sussillo. „Naša saznanja mogu informisati buduća istraživanja u neuronauci i veštačkoj inteligenciji, potencijalno vodeći ka razvoju novih strategija koje imitiraju ove procese u veštačkim mrežama.“
Ova studija pruža značajna uputstva za budući razvoj veštačke inteligencije, naročito u kontekstu stvaranja sistema koji mogu efikasno upravljati više zadataka i prilagođavati se novim situacijama, slično kao što to čine ljudi.
