Evolution, der Prozess, durch den lebende Organismen passen sich Ihrer Umgebung im Laufe der Zeit, wurde umfassend untersucht, über die Jahre. Als erste Hypothese von Darwin in der Mitte der 1800er, die Forschung hat gezeigt, dass die meisten biologischen Arten, einschließlich des Menschen, ständig Anpassung an neue Umstände und dass dies letztendlich ermöglicht Ihr überleben.
In den letzten Jahren haben Forscher entwickeln advanced computational Techniken, basierend auf künstlichen neuronalen Netzen, welche Architekturen sind inspiriert von biologischen neuronalen Netzwerken im menschlichen Gehirn. Modelle basierend auf künstlichen neuronalen Netze trainiert sind, zu optimieren, die Millionen von synaptischen gewichten, die sich über Millionen von Beobachtungen, um genaue Vorhersagen oder die Daten klassifizieren.
Forscher an der Princeton University haben kürzlich eine Studie durchgeführt, untersucht die ähnlichkeiten und Unterschiede zwischen künstlichen und biologischen neuronalen Netzen von einem evolutionären Standpunkt. Papier, veröffentlicht im Neuron, vergleicht die Entwicklung der biologischen neuronalen Netze mit künstlichen diejenigen, die mithilfe von Psychologie-Theorie.
„Dieses Projekt stammt aus der puzzle, warum moderne deep neural networks excel—und lernen so gut, wenn nicht besser, als Menschen, die in vielen komplexen kognitiven Aufgaben,“ Uri Hasson und Sam Nastase, die Autoren des Papiers, sagte Medical Xpress. „Dieses puzzle lenkte unsere Aufmerksamkeit auf die ähnlichkeiten als auch Unterschiede zwischen künstlichen und biologischen neuronalen Netzwerken.“
Während etliche der Psychologie und der Neurowissenschaften Forscher haben versucht, besser zu verstehen, die Struktur und die Funktionsweise der deep neural networks, viele gefunden haben, die Sie schwer oder gar nicht zu interpretieren, die wegen Ihrer Komplexität. Hasson, Nastase und Ihren Kollegen Ariel Goldstein wollte zeigen, dass der Versuch, zu beschreiben, komplexe neuronale Netzwerke inspiriert von denen im Gehirn durch einfache und intuitive Darstellungen kann äußerst schwierig und unrealistisch.
„Wir argumentieren, dass beide künstlichen neuronalen Netzen und biologischen neuronalen Netzen Ziel zu führen Aktion in der realen Welt“, Hasson und Nastase erklärte. „Wissenschaftler versuchen zu verstehen, die zugrunde liegende Struktur der Welt, aber neuronale Netze lernen, eine direkte Zuordnung von nützlichen Elemente der Welt zu nützlichen Verhaltensweisen (oder Ausgänge). Sie nicht konstruieren ideal oder intuitive Modelle der Welt—stattdessen verwenden Sie eine überfülle von Parametern (z.B. Anschluss an den gewichten oder an Synapsen) zu reflektieren, was Aufgabe-die relevante Struktur ist in der Welt.“
In Ihrem Papier die Forscher im wesentlichen vorschlagen, dass Modelle basierend auf künstlichen neuronalen Netzen lernen nicht Regeln oder Darstellungen der Welt um Sie herum, die für den Menschen leicht zu interpretieren. Im Gegenteil, Sie nutzen in der Regel lokale Berechnungen zu analysieren verschiedene Aspekte der Daten in einem hochdimensionalen parameterraum.
Zu erklären, Ihre Argumentation weiter, die Hasson, Nastase und Goldstein verwendet zwei einfache Beispiele von bereits bestehenden neuronalen Netzwerken. In Ihrem Papier beschreiben Sie, wie diese beiden Netzwerke lernen Interpolation von verschiedenen Daten, auf die Sie trafen und Ihre Funktionen, ohne das lernen ideal „Regeln“ für die Verallgemeinerung. Dann zeichnen Sie eine Analogie zwischen dem ’sinnlosen‘ optimization-based learning-Strategien eingesetzt, die durch künstliche neuronale Netze und die ‚blinde‘ Adaption von Arten, einschließlich des Menschen, die über mehrere Jahre von der biologischen evolution.
„Wir argumentieren, dass die ähnlichkeiten zwischen dem Gehirn und künstliche neuronale Netze untergraben könnte einige standard-Verfahren in der experimentellen Neurowissenschaft,“ Hasson und Nastase sagte. „Genauer gesagt, wir vermuten, dass die tradition der Verwendung von streng kontrollierten experimentellen Manipulationen zu untersuchen, die das Gehirn für einfache, intuitive Antworten kann irreführend sein. Auf der anderen Seite, wir vermuten, dass künstliche neuronale Netze profitieren enorm von der Entwicklung der ökologischen zielfunktionen (d.h., Ziele).“
Die theoretischen Analysen durch das Forscher-team konnte zahlreiche interessante Implikationen für die Zukunft der Psychologie und der Neurowissenschaften Forschung, insbesondere für Studien zur besseren Verständnis künstlicher neuronaler Netze. Vor allem, Ihre Ergebnisse unterstreichen die Notwendigkeit für eine änderung der Methoden in der Regel verwendet, um zu untersuchen, das menschliche Gehirn, sowie neue computational Architekturen inspiriert.
Im wesentlichen, Nasson, Nastase und Goldstein das Gefühl, dass die Verwendung von künstlich experimentellen Manipulationen mit der Hoffnung, das aufdecken von einfachen Regeln oder Darstellungen ist unwahrscheinlich, dass die yield-Modelle, die wirksam eingesetzt werden können, um die Reale Welt. Im Gegensatz dazu, geistloser Anpassung von big data zu big Modelle ist wahrscheinlich, dass das Gehirn mit den erforderlichen Neigungen zu handeln und Vorhersagen, Phänomene in der realen Welt. Solche blind-Optimierung, wie die Evolutionstheorie, möglicherweise besser geeignet für das Gehirn, da es eine relativ einfache und dennoch leistungsfähige Weise der Führung erlernen verschiedener Phänomene der realen Welt.