eng
Просмотры: 749
22.06.2020
Исследователи из Университета штата Северная Каролина обнаружили, что использование гамильтоновой динамики в нейронных сетях позволяет им лучше адаптироваться к хаосу в анализируемой среде.
Результаты исследования позволят улучшить работу искусственного интеллекта. Статья о разработке опубликована в журнале Physical Review E.
Нейронные сети — это компьютерные алгоритмы, принцип работы которых похож на работу человеческого мозга. В структуре такой сети существуют искусственные нейроны, внутри которых происходит обработка информации. Такие алгоритмы способны обучаться на специальной выборке под контролем или без участия человека. После этого нейронная сеть может самостоятельно обрабатывать поступающую в нее информацию. Например, ее можно обучить распознавать фотографии, пропуская через нее большой массив данных и регулируя вес и смещения нейронов, пока результаты ее работы не станут близкими к реальности.
Недостатком такого обучения нейронной сети является приобретение «слепоты к хаосу» — неспособности предсказывать или реагировать на хаос в системе. Теперь ученые из Университета штата Северная Каролина выяснили, что включение гамильтоновой динамики в нейронную сеть позволяет ей лучше «видеть» хаос в системе и адаптироваться к нему.
Гамильтонова динамика позволяет получить полную информацию о динамической физической системе — общее количество всех имеющихся энергий, кинетических и потенциальных. Представьте качающийся маятник. Теперь посмотрите на снимок этого маятника. Снимок не может сказать, где этот маятник находится в конкретный момент времени и куда будет двигаться дальше. Обычные нейронные сети обрабатывают как раз такие моментальные снимки маятника. Нейронные сети с включенным гамильтоновым потоком способны принять во внимание динамику движения маятника (где он находится, где он будет или мог бы быть) и энергии, которые участвуют в его движении.
Авторы новой работы включили гамильтонову динамику в нейронные сети, а затем применили их к известной системе Хенона — Хейлса. Гамильтонова нейронная сеть точно предсказала динамику системы, даже когда она была достаточно хаотичной. По словам авторов, новый алгоритм поможет в будущем создать нейронные сети, способные решать сложные проблемы и обрабатывать данные с высокой хаотичностью.
Нейронные сети — это компьютерные алгоритмы, принцип работы которых похож на работу человеческого мозга. В структуре такой сети существуют искусственные нейроны, внутри которых происходит обработка информации. Такие алгоритмы способны обучаться на специальной выборке под контролем или без участия человека. После этого нейронная сеть может самостоятельно обрабатывать поступающую в нее информацию. Например, ее можно обучить распознавать фотографии, пропуская через нее большой массив данных и регулируя вес и смещения нейронов, пока результаты ее работы не станут близкими к реальности.
Недостатком такого обучения нейронной сети является приобретение «слепоты к хаосу» — неспособности предсказывать или реагировать на хаос в системе. Теперь ученые из Университета штата Северная Каролина выяснили, что включение гамильтоновой динамики в нейронную сеть позволяет ей лучше «видеть» хаос в системе и адаптироваться к нему.
Гамильтонова динамика позволяет получить полную информацию о динамической физической системе — общее количество всех имеющихся энергий, кинетических и потенциальных. Представьте качающийся маятник. Теперь посмотрите на снимок этого маятника. Снимок не может сказать, где этот маятник находится в конкретный момент времени и куда будет двигаться дальше. Обычные нейронные сети обрабатывают как раз такие моментальные снимки маятника. Нейронные сети с включенным гамильтоновым потоком способны принять во внимание динамику движения маятника (где он находится, где он будет или мог бы быть) и энергии, которые участвуют в его движении.
Авторы новой работы включили гамильтонову динамику в нейронные сети, а затем применили их к известной системе Хенона — Хейлса. Гамильтонова нейронная сеть точно предсказала динамику системы, даже когда она была достаточно хаотичной. По словам авторов, новый алгоритм поможет в будущем создать нейронные сети, способные решать сложные проблемы и обрабатывать данные с высокой хаотичностью.
Комментарии читателей
