Мозг червя может быть совсем крошечным, но этот маленький орган вдохновил исследователей на разработку лучшего программного обеспечения для беспилотников. Используя жидкие нейронные сети, исследователи из Массачусетского технологического института обучили беспилотник распознавать объекты и ориентироваться на них в различных условиях.
Жидкостные нейронные сети, являющиеся одним из видов инструментов искусственного интеллекта, уникальны. Они могут экстраполировать и применять предыдущие данные к новым условиям. Другими словами, "они могут обобщать ситуации, которые они никогда не видели", - говорит Рамин Хасани, научный сотрудник Массачусетского технологического института и один из соавторов нового исследования на эту тему. Исследование было опубликовано в журнале Science Robotics 19 апреля.
Нейронные сети - это программное обеспечение, созданное по принципу взаимодействия нейронов в мозге. Тип нейронных сетей, рассмотренный в данном исследовании, - жидкие нейронные сети - может гибко адаптироваться в режиме реального времени при получении новой информации - отсюда и название "жидкие".
Сеть исследователей была смоделирована на основе червя длиной 2 миллиметра, Caenorhabditis elegans. Естественно, у него маленький мозг: 302 нейрона и 8000 синаптических связей, что позволяет исследователям понять тонкости нейронных связей. Человеческий мозг, напротив, имеет примерно 86 миллиардов нейронов и 100 триллионов синапсов.
Caenorhabditis elegans genome.gov"Мы хотели смоделировать динамику нейронов, как они работают, как передают информацию от одного нейрона к другому", - говорит Хасани.
Эти надежные сети позволяют дрону адаптироваться в реальном времени даже после первоначального обучения, позволяя ему идентифицировать целевой объект, несмотря на изменения в окружающей среде. Жидкие нейронные сети обеспечили более 90 процентов успеха в достижении цели в различных условиях и продемонстрировали гибкость в принятии решений.
По словам исследователей, используя эту технологию, люди смогут выполнять такие задачи, как автоматизация мониторинга дикой природы и поисково-спасательных операций.
Сначала исследователи научили программу определять красный стул и подлетать к нему. После того как дрон - квадрокоптер DJI - продемонстрировал эту способность с расстояния 10 метров (около 33 футов), исследователи постепенно увеличивали расстояние запуска. К их удивлению, дрон медленно приближался к целевому стулу с расстояния 45 метров (около 145 футов).
"Я думаю, это был первый раз, когда я подумал: "Это действительно может быть довольно мощной штукой", потому что я никогда не видел [сеть, управляющую дроном] с такого расстояния, и она делала это последовательно", - говорит Макрам Чахин, соавтор и аспирант Массачусетского технологического института, - "Так что это было довольно впечатляюще для меня".
После того как беспилотник успешно подлетал к объектам на различном расстоянии, они проверили его способность идентифицировать красный стул среди других стульев в городском дворике. Способность правильно отличить стул от аналогичных стимулов доказала, что система способна понять реальную задачу, а не просто ориентироваться на изображение красных пикселей на фоне.
Например, вместо красного стула беспилотники можно обучить распознавать китов на фоне океана или людей, оставшихся после стихийного бедствия.
"После того, как мы убедились, что жидкие сети способны, по крайней мере, воспроизвести поведение в задаче, мы попытались посмотреть на их внедоменные характеристики", - говорит Патрик Као, соавтор и студент-исследователь Массачусетского технологического института. Они проверили способность дрона идентифицировать красный стул в городской и лесной среде, в разное время года и при разном освещении. Сеть все равно оказалась успешной, продемонстрировав универсальность использования в различных условиях.
Они протестировали две жидкие нейронные сети против четырех нежидких нейронных сетей и обнаружили, что жидкие сети превосходят другие во всех областях. Пока еще слишком рано говорить о том, что именно позволяет жидким нейронным сетям быть настолько успешными. Исследователи говорят, что одна из гипотез может быть связана со способностью понимать причинность, или причинно-следственные связи, что позволяет жидким сетям фокусироваться на целевом стуле и двигаться к нему независимо от окружающей обстановки.
Система достаточно сложна для выполнения таких задач, как идентификация объекта и последующее движение к нему, но не слишком сложна, чтобы помешать исследователям понять ее глубинные процессы. "Мы хотим создать нечто понятное, управляемое и [искусственный общий интеллект], это будущее, которого мы хотим достичь", - говорит Хасани. "Но сейчас мы далеки от этого".
Системы искусственного интеллекта в последнее время стали предметом споров, вызванных опасениями по поводу безопасности и чрезмерной автоматизации, но полное понимание возможностей их технологий - это не просто приоритет, это цель, говорят исследователи.
"Все, что мы делаем как лаборатория робототехники и машинного обучения, направлено [на] всестороннюю безопасность и внедрение ИИ безопасным и этичным способом в нашем обществе, и мы действительно хотим придерживаться этой миссии и видения, которые у нас есть", - говорит Хасани.