JavaScript is currently disabled.Please enable it for a better experience of Jumi. Artificiella neuronnät lika effektiva som riktiga

Datorer som analyserar bilder med hjälp av så kallade DNN-nät (Deep Neural Networks) bygger upp liknande strukturer som primathjärnor som tittar på samma bilder, och på ett lika effektivt sätt. Det hävdar en grupp forskare på MIT. Det är första gången man konstaterar en så stor överensstämmelse mellan datalogernas artificiella hjärnor och deras biologiska motsvarigheter.
– Anmärkningsvärt nog har vi upptäckt att de senaste DNN-näten uppnår en prestanda som ligger i nivå med den som finns i IT cortex, sammanfattar forskarna.

Inferior Temporal  Cortex (IT-cortex) är det område i hjärnan hos primater där det sista steget i tolkningen av de bilder som träffar näthinnan sker. Näthinnan levererar en bild som i princip är uppbyggd av punkter på samma sätt som en bildskärm. Men när bearbetningen efter npgra steg av bearbetning når fram till IT-cortex har bildens innehåll klassificerats – grupper av neuroner signalerar att de upptäckt kategorier som ”frukt”, ”bil” eller ”ansikte” i bilden.

Forskarna tittade på flera typer av artificiella neuronnät och pekar ut DNN-nät som lika effektiva som makaker när det gäller att känna igen bilder.

Effektiviteten har att göra med hur tydliga mönster som de olika kategorierna bildar i IT-cortex och motsvarigheten i de artificiella DNN-näten.

Det som forskarna jämförde var uppgiften att kategorisera en bild med en snabb blick – 100 millisekunder. Makaker fick elektroder inplanterade i IT-cortex som gjorde att man kunde titta på neuronernas responser för olika datorgenererade bilder.

Sedan 70-talet har man byggt artificiella neuronnät för bildanalys som härmar hjärnans sätt att bearbeta data i ett antal skikt som följer på varandra.

På sistone har ett nät av detta slag kallat DNN (Deep learning neural net) väckt stor uppmärksamhet och börjat toppa benchmarks för bildigenkänning.

Många knyter stora förhoppningar till DNN eller Deep Learning och betraktar det som ett avgörande framsteg inom forskningen kring artificiell intelligens. I ett projekt tror man exempelvis att ett DNN-nät upptäckt ett exaktare kriterium för att upptäcka cancer i cellbilder än de kriterier som används idag.

Facebook och Google finns bland dem som just nu investerar i DNN. De lockar till sig de ledande forskarna genom att vifta med sina enorma bilddatamängder tillgängliga för experiment. Google använder DNN för röstsökning i Android och för bildklassificering i Google+.

Att dessa framsteg för artificiella neuronnät kommer just nu tros för det första bero på att Moores lag gett mer beräkningsprestanda för att simulera nät i tillräcklig skala. Här pekas särskilt GPGPU-beräkningar ut som AI-forskarnas nya favoritverktyg.

För det andra finns idag gigantiska databaser av etiketterade bilder som att använda för programmering och utvärdering.
För det tredje har man hittat effektiva metoder att programmera dessa DNN-nät.

Här är forskarnas artikel i sin helhet i tidskriften PLoS Computational Biology: Deep Neural Networks Rival the Representation of Primate IT Cortex for Core Visual Object Recognition (länk)
MER LÄSNING:
 
KOMMENTARER
Kommentarer via Disqus

Anne-Charlotte Lantz

Anne-Charlotte
Lantz

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)