Arı beyninde gizli bir süper gücün keşfi AI ve Robotiklerde nasıl devrim yaratabilir

Kabaca bir susam tohumu büyüklüğüne sahip olmasına rağmen, arılar çok daha büyük hayvanlara rakip olan bir sofistike ile karmaşık görsel desenleri öğrenebilir ve tanıyabilir. Şimdi, bilim adamları bu küçük arı beyninin etkileyici görsel kahramanının arkasındaki sırları ortaya çıkardıklarına inanıyorlar.

Yayınlanan yeni bir çalışmada elyifAraştırmacılar, arıların çevrelerini aktif olarak nasıl taradıklarını ve görsel bilgileri nasıl işlediklerini taklit eden biyolojik olarak ilham alan bir nöral model oluşturdular. Bulgular, arı beyninin nasıl görmek ve düşünmek için makineler inşa ettiğimizi devrim yaratabilecek şaşırtıcı derecede güçlü ve verimli bir desen tanıma sistemi kullandığını ortaya koymaktadır.

Sheffield Üniversitesi'nden araştırmacılar tarafından yönetilen bir sinirbilimci ve mühendis ekibi, nörobiyoloji, davranış ve makine öğrenimi unsurlarını içeren arı görsel sisteminin basitleştirilmiş ama gerçekçi bir modelini inşa etti.

Arıların uzayda nasıl hareket ettiğini ve görsel verileri nasıl örnekleyerek simüle ederek, araştırmacılar böcek beynindeki “lobula nöronları” olarak adlandırılan spesifik nöronların kendi kendini organize ettiğini ortaya çıkardılar.

Minimal sinirsel kaynaklarla bile, model artı işaretler ve çarpma sembolleri gibi şekiller arasında ayrım yapma, yeni görsel görevlere genelleme yapma ve hatta güçlendirme öğrenme veya ödül geri bildirimlerine ihtiyaç duymadan insan yüzlerini tanıma yeteneğini gösterdi.

Bunun yerine, sistem ilişkilendirici olmayan öğrenmeye dayanıyordu, yani tararken doğal sahnelere maruz kalarak kendini yeniden şekillendirdi.

“Bu çalışmada, en küçük beyinlerin bile etraflarındaki dünyayı algılamak ve anlamak için hareketten yararlanabileceğini” başarıyla gösterdik. basın bülteni. “Bu bize, milyonlarca yıllık evrimin sonucu da olsa küçük, verimli bir sistemin, daha önce düşündüğümüzden çok daha karmaşık hesaplamalar yapabileceğini gösteriyor.”

Atılımın merkezinde, organizmaların sadece görsel girdi almadığı, aynı zamanda çevrelerini aktif olarak taraması ve örneklediği hayvan krallığına yaygın olarak gözlenen bir strateji olan “aktif görme” kavramı yatmaktadır. Arılar bunu bir dizi kasıtlı kafa ve uçuş hareketiyle yaparlar, tek bir bakışta değil, zaman içinde bir nöral görüntü oluştururlar.

Bunu taklit etmek için araştırmacılar, arı optik lobunun anatomisinden esinlenen bir sinir ağı geliştirdiler. Görsel girdi, bir arının bir çiçek veya desenden nasıl geçebileceğini taklit eden bir dizi uzamsal yamaya bölündü.

Bu sıralı anlık görüntüler daha sonra böcek beyninin üç merkezi görsel gangliyonu olan lamina, medulla ve lobula'yı temsil eden yapay nöron katmanları ile işlendi.

Lobula nöronları kilit bir rol oynadı. On binlerce zamanla değişen görüntü yamalarına maruz kaldıktan sonra, seçici olarak yanıt verdikleri görsel alan bölgeleri, farklı uzamsal alıcı alanlar geliştirdiler. Hatta bazıları, gerçek böcek nöronlarının davranışsal deneylerde nasıl tepki verdiğini andıran, belirli bir yönde hareket eden açılı çubukları veya kenarları tespit etmek için ince ayarlandı.

Kritik olarak, bu nöronlar seyrek olarak tepki vermeye başladılar, yani herhangi bir zamanda sadece birkaçı aktive edilecek ve yanıtları dekorrelize oldu, bu da her nöronun farklı ve yararlı bilgiler taşıdığını sağladı. Bu, “verimli kodlama” nın ayırt edici özelliğidir, sinirbilimde dayanıklılığı en aza indirmek ve duyusal verilerin anlamlılığını en üst düzeye çıkarmak için evrimleştiğini gösteren teorik bir prensiptir.

Bu uzamsal filtrelerin öğrenme ve davranışları yönlendirip yönlendiremeyeceğini test etmek için, araştırmacılar görsel sistemi, karar verme ve ilişkisel öğrenme ile ilişkili böceklerde bir beyin bölgesi olan “mantar gövdesinin” simüle edilmiş bir versiyonuna bağladılar.

Model arılar daha sonra gerçek dünya deneylerinden klasik görsel tanıma görevleri üzerine eğitildi. Sonuçlar canlı bombus arılarında görülenleri yansıttı.

Bir desenin alt yarısını normal uçuş hızlarında tararken, simüle edilmiş arılar neredeyse aynı görsel semboller arasında başarılı bir şekilde ayırt edildi ve doğruluk oranlarına%96'nın üzerinde. Daha önce görünmeyen yüzleri tanıması veya yeni şekillere genelleştirilmesi istendiğinde, model hala şaşırtıcı derecede iyi performans gösterdi.

Tersine, hız, mesafe veya karışık görüntülere maruz kalma ile tarama davranışı bozulduğunda, sistemin performansı kabaca%60 doğruluk oranlarına göre bozuldu.

Bu bulgular, aktif görsel davranış ve yapılandırılmış doğal girdinin, küçük arı beyninin çevresini bu kadar etkili bir şekilde nasıl gezinebileceğinden çok önemli olduğunu ortaya koymuştur.

“Bir arının beyninin modelimiz, nöral devrelerinin görsel bilgileri izole değil, doğal ortamdaki uçuş hareketleriyle aktif etkileşim yoluyla optimize edildiğini, zekanın beynin, bedenlerin ve çevrenin birlikte nasıl çalıştığı teorisini destekleyerek, Sheffield Üniversitesi'ndeki baş yazar ve araştırmacı, Dr. Hadi Maboudi, Dr. Hadi Maboudi'nin söylediğini gösteriyor.

Çalışmanın en dikkat çekici bulgularından biri, sistemin işlevini sağlamak için gereken şaşırtıcı derecede az sayıda nörondu. Mantar gövdesine beslenen sadece 36 lobula nöronu ile model, birkaç tanınma görevinde hala şansın üzerinde performans gösterdi.

Sadece 16 ile bile, spiral veya eğik çubuklar gibi desenleri tanıyabilir. Bu, sadece böceklerin nasıl gördüğüne değil, aynı zamanda enerji tasarruflu yapay görme sistemlerinin nasıl tasarlanacağı konusunda içgörü sunabilecek oldukça sıkıştırılmış ve verimli bir zeka biçimini önerir.

Araştırmacılar lobula nöronları arasındaki inhibitör bağlantıları devre dışı bıraktıklarında, böylece plastisitelerini önlediğinde, performans önemli ölçüde düştü. Bu, ilişkilendirici olmayan plastisitenin önemini veya beynin kablolamasını ödül veya ceza sinyallerine ihtiyaç duymadan deneyime göre ayarlama yeteneğini vurguladı.

Londra Kraliçe Mary Üniversitesi Dr. Lars Chittka, “Burada zor görsel ayrımcılık görevleri için gereken minimum nöron sayısını belirliyor ve insan yüz tanıması gibi karmaşık görevler için bile sayıların şaşırtıcı derecede küçük olduğunu buluyoruz” diye açıklıyor. “Böylece, böcek mikropranları gelişmiş hesaplamalar yapabiliyor.”

Çalışmanın bulgularının böcek sinirbiliminin ötesinde geniş kapsamlı etkileri vardır. Model, öğrenme ve adaptasyon için basit, biyolojik olarak temelli kurallara dayandığından, robotik, bilgisayar görüşü ve özerk navigasyon için beyin benzeri işlemeyi taklit eden nöromorfik sistemler (bükülme veya yazılım) geliştirmek için kapıyı açar.

Milyonlarca etiketli örnek ve geniş bilgi işlem kaynakları gerektiren devasa sinir ağlarına güvenmek yerine, gelecekteki AI sistemleri bunun yerine arılar gibi öğrenebilir: dünyayı aktif olarak örnekleyerek, zamanla algılarını geliştirerek ve verimli iç kodlar geliştirerek.

Bunun, bilim adamlarının ilk kez daha yenilikçi ve verimli teknolojiler geliştirmede ilham almak için doğaya ve özellikle böceklere döndüğünü belirtmek gerekir.

Geçen yıl, Almanya'daki Oldenburg Üniversitesi'ndeki araştırmacılar, çöl karıncalarının dahili bir “Altıncı His“Geniş, özelliksiz manzaralar arasında gezinmek için. Bu keşif, GP'lere güvenmeden gezinebilecek otonom robotlar geliştirmek için değerli bilgiler sunuyor.

Benzer şekilde, MIT'deki mühendisler yakın zamanda bir yeni nesil robotik böcek gerçek böceklerin verimliliği ve manevra kabiliyeti üzerine modellenmiş robotik tozlayıcılar geliştirmek için artan bir çabanın bir parçası olan çevik uçuş yapabiliyor.

Bu çabalar, doğanın milyonlarca yıl boyunca geliştiği basit ama güçlü stratejileri çözmek için bilimdeki daha geniş bir eğilimi yansıtarak yeni bir sınıfın temelini atarak Biyo-esinlenen makineler.

Bu durumda, bilim adamları dikkat çekici derecede sofistike arı beynini inceleyerek, makinelerin çevrelerini nasıl öğrendiklerine, uyarlamaya ve algılama konusunda tamamen yeni bir yaklaşımın yolunu açıyor olabilirler.

Dr. Marshall'ın söylediği gibi, “Doğanın en iyi tasarımlarını kullanmak, yeni nesil yapay zeka için kapıyı açar, robotik, kendi kendini süren araçlar ve gerçek dünya öğreniminde ilerlemeler sağlar.”

Tim McMillan emekli bir kolluk yöneticisi, soruşturma muhabiri ve Debey'in kurucu ortağıdır. Yazısı genellikle savunma, ulusal güvenlik, istihbarat topluluğu ve psikoloji ile ilgili konulara odaklanır. Tim'i Twitter'da takip edebilirsiniz: @Lttimmcmillan. Tim'e e -posta ile ulaşılabilir: [email protected] veya şifreli e -posta yoluyla: [email protected]