ماشین های نه چندان ساده: شکستن کد برای موادی که می توانند یاد بگیرند

اما اولین ماشین ها آنالوگ بودند و اکنون، تحقیقات کوچک اما رو به رشدی نشان می دهد که سیستم های مکانیکی نیز قادر به "یادگیری" هستند. فیزیکدانان دانشگاه میشیگان آخرین ورود به این حوزه کاری را ارائه کرده اند.

تیم UM از Shuaifeng Li و Xiaoming Mao الگوریتمی ابداع کردند که یک چارچوب ریاضی برای نحوه عملکرد یادگیری در شبکه ها به نام شبکه های عصبی مکانیکی ارائه می کند.

لی گفت: «ما می بینیم که مواد می توانند وظایف را به تنهایی یاد بگیرند و محاسبات را انجام دهند.

محققان نشان داده اند که چگونه می توان از آن الگوریتم برای «آموزش» مواد برای حل مسائلی مانند شناسایی گونه های مختلف گیاهان زنبق استفاده کرد. روزی، این مواد می توانند ساختارهایی را ایجاد کنند که قادر به حل مشکلات حتی پیشرفته تر هستند - مانند بال های هواپیما که شکل آنها را برای شرایط باد مختلف بهینه می کند - بدون اینکه انسان یا کامپیوتر برای کمک به آن وارد شوند.

لی، یک محقق فوق دکترا، گفت که این آینده دور از دسترس است، اما بینش تحقیقات جدید UM همچنین می تواند الهام بخش تری برای محققان خارج از این حوزه باشد.

این الگوریتم مبتنی بر رویکردی به نام انتشار پس انداز است که برای فعال کردن یادگیری در سیستم های دیجیتال و نوری استفاده شده است. به گفته محققان، به دلیل بی تفاوتی آشکار این الگوریتم به نحوه حمل اطلاعات، می تواند به باز کردن راه های جدید کاوش در نحوه یادگیری سیستم های زنده کمک کند.

لی گفت: "ما شاهد موفقیت تئوری پس انتشار در بسیاری از سیستم های فیزیکی هستیم." فکر می کنم این ممکن است به زیست شناسان کمک کند تا نحوه عملکرد شبکه های عصبی بیولوژیکی در انسان و سایر گونه ها را درک کنند.»

لی و مائو، استاد دپارتمان فیزیک UM، مطالعه جدید خود را در مجله Nature Communications منتشر کردند.

MNN 101

ایده استفاده از اشیاء فیزیکی در محاسبات چندین دهه است که وجود داشته است. اما تمرکز بر شبکه های عصبی مکانیکی جدیدتر است و در کنار دیگر پیشرفت های اخیر در هوش مصنوعی، علاقه بیشتر شده است.

بیشتر این پیشرفت ها - و مطمئناً قابل مشاهده ترین آنها - در حوزه فناوری رایانه بوده است. صدها میلیون نفر هر هفته برای کمک به نوشتن ایمیل، برنامه ریزی برای تعطیلات و غیره به چت ربات های مجهز به هوش مصنوعی مانند ChatGPT روی می آورند.

این دستیاران هوش مصنوعی مبتنی بر شبکه های عصبی مصنوعی هستند. لی گفت، اگرچه کار آنها پیچیده است و تا حد زیادی از دید پنهان است، اما آنها یک قیاس مفید برای درک شبکه های عصبی مکانیکی ارائه می دهند.

هنگام استفاده از ربات چت، کاربر یک دستور یا سوال ورودی را تایپ می کند که توسط یک الگوریتم شبکه عصبی اجرا می شود که بر روی یک شبکه کامپیوتری با مقدار زیادی قدرت پردازشی اجرا می شود. بر اساس آنچه آن سیستم از قرار گرفتن در معرض حجم وسیعی از داده ها آموخته است، یک پاسخ یا خروجی تولید می کند که روی صفحه نمایش کاربر ظاهر می شود.

یک شبکه عصبی مکانیکی یا MNN دارای همان عناصر اساسی است. برای مطالعه لی و مائو، ورودی وزنی بود که به ماده ای چسبانده شده بود که به عنوان سیستم پردازش عمل می کند. خروجی این بود که چگونه ماده به دلیل وزنی که روی آن اثر می کرد، شکل خود را تغییر داد.

لی گفت: نیرو اطلاعات ورودی است و خود مواد مانند پردازنده است و تغییر شکل مواد خروجی یا پاسخ است.

برای این مطالعه، مواد «پردازنده» شبکه های لاستیکی چاپ سه بعدی بودند که از مثلث های ریز ساخته شده بودند که ذوزنقه های بزرگ تری می ساختند. مواد با تنظیم سفتی یا انعطاف پذیری بخش های خاص در آن شبکه یاد می گیرند.

MNNها برای تحقق کاربردهای آینده نگرشان - مانند بال های هواپیما که ویژگی هایشان را در حال پرواز تنظیم می کنند - باید بتوانند آن بخش ها را خودشان تنظیم کنند. موادی که می توانند این کار را انجام دهند در حال تحقیق هستند، اما هنوز نمی توانید آنها را از کاتالوگ سفارش دهید.

بنابراین لی این رفتار را با چاپ نسخه های جدید یک پردازنده با بخش ضخیم تر یا نازک تر مدل سازی کرد تا به پاسخ دلخواه برسد. سهم اصلی کار لی و مائو الگوریتمی است که به موادی در مورد چگونگی انطباق آن بخش ها دستور می دهد.

چگونه MNN خود را آموزش دهیم

لی گفت، اگرچه ریاضیات پشت نظریه پس انتشار پیچیده است، اما این ایده خود بصری است.

برای شروع فرآیند، باید بدانید ورودی شما چیست و می خواهید سیستم چگونه پاسخ دهد. سپس ورودی را اعمال می کنید و می بینید که چگونه پاسخ واقعی با آنچه مورد نظر است متفاوت است. سپس شبکه این تفاوت را می گیرد و از آن برای اطلاع از نحوه تغییر خود برای نزدیک شدن به خروجی مورد نظر در تکرارهای بعدی استفاده می کند.

از نظر ریاضی، تفاوت بین خروجی واقعی و خروجی مورد نظر با عبارتی به نام تابع ضرر مطابقت دارد. با استفاده از یک عملگر ریاضی که به عنوان گرادیان شناخته می شود برای آن تابع از دست دادن است که شبکه یاد می گیرد که چگونه تغییر دهد.

لی نشان داد که اگر می دانید به دنبال چه چیزی باشید، MNN های او این اطلاعات را ارائه می دهند.

لی گفت: «این می تواند گرادیان را به طور خودکار به شما نشان دهد. "این واقعا راحت است و واقعا کارآمد است."

موردی را در نظر بگیرید که یک شبکه کاملاً از قطعاتی با ضخامت و استحکام یکسان تشکیل شده است. اگر وزنه ای را از یک گره مرکزی آویزان کنید - نقطه ای که بخش ها به هم می رسند - گره های همسایه آن در سمت چپ و راست به دلیل تقارن سیستم به همان میزان پایین می روند.

اما فرض کنید، در عوض، می خواهید شبکه ای ایجاد کنید که نه فقط یک پاسخ نامتقارن، بلکه نامتقارن ترین پاسخ را به شما بدهد. یعنی شما می خواستید شبکه ای ایجاد کنید که حداکثر تفاوت را در حرکت بین یک گره به سمت چپ وزنه و یک گره به سمت راست آن بدهد.

لی و مائو از الگوریتم خود و یک راه اندازی آزمایشی ساده برای ایجاد شبکه ای که آن راه حل را می دهد استفاده کردند. لی گفت (یک شباهت دیگر به زیست شناسی این است که این رویکرد فقط به آنچه اتصالات نزدیک انجام می دهند اهمیت می دهد، مشابه نحوه عملکرد نورون ها).

با برداشتن یک قدم جلوتر، محققان همچنین مجموعه داده های بزرگی از نیروهای ورودی، مشابه آنچه در یادگیری ماشین روی رایانه ها انجام می شود، برای آموزش MNN های خود ارائه کردند.

در یکی از این نمونه ها، نیروهای ورودی مختلف با اندازه های مختلف گلبرگ ها و برگ های گیاهان زنبق مطابقت داشت، که ویژگی هایی هستند که به تمایز بین گونه ها کمک می کنند. سپس لی می تواند گیاهی از گونه های ناشناخته را به شبکه آموزش دیده ارائه کند و می تواند آن را به درستی دسته بندی کند.

و لی در حال حاضر برای ایجاد پیچیدگی سیستم و مشکلاتی که می تواند با استفاده از MNN هایی که امواج صوتی را حمل می کنند حل کند، کار می کند.

لی گفت: "ما می توانیم اطلاعات بسیار بیشتری را در ورودی رمزگذاری کنیم." با امواج صوتی، شما دامنه، فرکانس و فازی را دارید که می تواند داده ها را رمزگذاری کند.

در همان زمان، تیم UM همچنین در حال مطالعه کلاس های گسترده تری از شبکه ها در مواد، از جمله پلیمرها و مجموعه های نانوذرات است. با استفاده از اینها، آنها می توانند سیستم های جدیدی ایجاد کنند که بتوانند الگوریتم خود را اعمال کنند و در جهت دستیابی به ماشین های یادگیری کاملاً مستقل کار کنند.

این کار توسط دفتر تحقیقات دریایی و مرکز ملی علوم بنیادی برای سیستم های ذرات پیچیده یا COMPASS پشتیبانی می شود.