باز کردن جعبه سیاه مرموز هوش مصنوعی

محققان دانشگاه رایس یک شبکه عصبی عمیق را آموزش دادند تا جریان های پیچیده هوا یا آب را تشخیص داده و چگونگی تغییر جریان ها را در طول زمان پیش بینی کند.

به گزارش سیناپرس، به نظر می رسد که شبکه های عصبی مصنوعی می توانند هر کاری انجام دهند، اما متاسفانه، این سیستم‌های هوش مصنوعی (AI) الهام گرفته از مغز به روش‌های مرموزی کار می‌ کنند و این نگرانی را ایجاد می ‌کنند که کاری که انجام می ‌دهند ممکن است منطقی نباشد.

نتایج یک مطالعه جدید نشان می دهد: ریاضیات ۲۰۰ ساله می تواند به روشن کردن چگونگی انجام وظایف پیچیده شبکه های عصبی مانند پیش بینی آب و هوا یا مدل سازی تلاطم کمک کند. به گفته محققان، این امر به نوبه خود می تواند به افزایش دقت شبکه های عصبی و سرعت یادگیری آنها کمک کند.

در شبکه‌ های عصبی مصنوعی، اجزایی که به عنوان نورون شناخته می ‌شوند و مشابه نورون‌های مغز انسان هستند، داده‌ها را تغذیه کرده و برای حل یک مشکل، مانند تشخیص چهره، همکاری می ‌کنند. شبکه های عصبی در صورتی که دارای چندین لایه از این نورون ها باشند، عمیق نامیده می شوند.

روشی که در آن شبکه‌ های عصبی به نتیجه می‌ رسند مدت‌هاست که مانند یک جعبه سیاه مرموز در نظر گرفته می ‌شود چراکه یک شبکه نمی ‌تواند توضیحی درباره نحوه رسیدن به نتیجه ‌ای که انجام داده است، ارائه دهد.

پدرام حسن زاده (Pedram Hassanzadeh) پژوهشگر ایرانی الاصل این مطالعه از دانشکده دینامیک سیالات در دانشگاه رایس در هیوستون، می گوید: اگرچه محققان راه هایی را برای بررسی عملکرد درونی شبکه های عصبی ایجاد کرده اند، اما اینها اغلب در مورد شبکه های بسیاری از کاربردهای علمی و مهندسی موفقیت چندانی از خود نشان نداده اند.

به منظور تجزیه و تحلیل یک شبکه عصبی طراحی شده برای فیزیک، حسن زاده و همکارانش با استفاده از یک تکنیک ریاضی که اغلب در فیزیک استفاده می شود، آزمایش های را انجام دادند. این روش که به عنوان تحلیل فوریه (Fourier) شناخته می شود، برای شناسایی الگوهای منظم در داده ها در فضا و زمان استفاده می شود.

در مطالعه جدید، محققان روی یک شبکه عصبی عمیق آزمایش هایی انجام دادند که برای تجزیه و تحلیل نوع تلاطم پیچیده مشاهده شده در هوا در جو یا آب در اقیانوس و پیش بینی چگونگی تغییر این جریان ها در طول زمان آموزش دیده بود.

حسن زاده می گوید: درک بهتر مفاهیمی که شبکه های عصبی برای تجزیه و تحلیل این سیستم های پیچیده آموخته اند می تواند به شکل گیری مدل های دقیق تری منجر شود که به داده های کمتری برای آموزش نیاز دارند.

به گفته دانشمندان، پارامترهای شبکه های عصبی آموزش ندیده عموما دارای مقادیر تصادفی هستند. در طول آموزش، پارامترهای یک شبکه عصبی اصلاح می ‌شوند، زیرا به تدریج یاد می ‌گیرد راه‌ حل‌هایی را محاسبه کند که به نتایج شناخته شده در موارد آموزشی نزدیک‌تر هستند. سپس محققان می توانند از یک شبکه عصبی کاملاً آموزش دیده برای تجزیه و تحلیل داده هایی که قبلاً ندیده بودند، استفاده کنند.

حسن زاده می ‌گوید: برای مدت سال‌ها شنیده ایم که شبکه‌ های عصبی جعبه‌ های سیاه هستند و پارامترهای زیادی برای درک و تحلیل وجود دارد و مطمئناً، وقتی به برخی از این پارامترها نگاه می‌ کردیم، چندان معنا نداشتند و همه آنها متفاوت به نظر می‌ رسیدند. او می افزاید: با این حال، پس از تجزیه و تحلیل فوریه از همه این هسته ها، متوجه شدیم که آنها فیلترهای طیفی هستند.

به گزارش سیناپرس، حسن زاده در خاتمه می گوید: دانشمندان سال ها تلاش کرده اند که این فیلترها را برای تجزیه و تحلیل آب و هوا و تلاطم ترکیب کنند. با این حال، این ترکیبات اغلب در مدل سازی این سیستم های پیچیده موفق نبودند. حسن زاده می گوید شبکه های عصبی روش هایی را برای ترکیب صحیح این فیلترها آموختند.

به گفته او، تحلیل فوریه ممکن است به دانشمندان کمک کند تا شبکه های عصبی بهتری برای چنین اهدافی طراحی کنند و به آنها کمک کند تا فیزیک زیربنایی آب و هوا و تلاطم را بهتر درک کنند.

شرح کامل این مطالعه و یافته های آن در مجله PNAS Nexus منتشر شده است.

مترجم: مهدی فلاحی پناه

No tags for this post.