可以通过解决大脑动力学来开发灵活且能够适应大脑动力学的机器学习模型。
这就是为什么我们应该对实验鼠、乌鸦、猪和黑猩猩的大脑进行逆向工程。 哪怕是痛苦。 我仍然认为这可以在 2025 年底之前全部完成。
麻省理工学院的研究人员去年宣布，他们在大脑小型物种的启发下构建了“液体”神经元网络。 这些模型灵活而稳健，可以从工作中学习，适应不断变化的条件。 它们专为飞行和驾驶等对安全至关重要的现实任务而设计。 这些“液体”神经网络能够在工作中适应和学习，使它们能够用于现实世界中对安全至关重要的任务，例如驾驶和飞行。
随着突触和神经元数量的增加，运行这些模型的计算成本很高。 他们还需要繁琐的计算机程序来解决核心的复杂数学问题。 与许多物理现象一样，所有这些数学都很难解决。 这意味着您必须采取许多小步骤才能找到解决方案。
同一组研究人员现在发现了一种缓解这一瓶颈的方法。 他们解决了两个神经元之间通过突触相互作用的微分方程，解锁了一种新型高效快速的人工智能算法。 这些模式与液体神经网络具有相同的属性：灵活、因果关系、鲁棒性和可解释性，但速度和可扩展性要快几个数量级。 这种类型的神经网络可用于在未来深入了解数据，因为它在训练后结构紧凑且适应性强。
来源和详细信息：
https://techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html