این کشف می تواند در پیش بینی دقیق آب و هوایی و سیستم خودرهای خودران تحول بزرگی ایجاد کند.

طبق گزارش های فن تک و به نقل از گزارشات اخیر، مهندسان MIT در سال گذشته یک الگوریتم مبتنی بر هوش مصنوعی (AI/ML) را توسعه دادند که قادر به یادگیری و تطبیق با اطلاعات جدید در حین کار است. این شبکه‌های عصبی مایع مانند شطرنج 4 بعدی بازی می‌کنند. این مدل ها برای کار کردن به داده‌های زمانی نیاز دارند بنابراین، گزینه ایده آلی برای استفاده در کارهای حساس به زمان مانند کنترل ضربان‌ساز، پیش‌بینی آب‌وهوا، پیش‌بینی سرمایه‌گذاری، جهت یابی وسیله نقلیه خودران خواهد بود. اما، مشکلی که سیستم ها در حال حاضر با آن درگیر هستند این است که توان عملیاتی داده به یک گلوگاه تبدیل می شود و مقیاس بندی این سیستم ها از نظر محاسباتی هزینه بالایی دارد.

محققان MIT هفته گذشته اعلام کردند که یک راه حل برای این محدودیت ها ابداع کرده‌اند. آن ها با استفاده از حل یک معادله دیفرانسیل که ریاضی‌دانان از سال 1907 را سرگردان کرده بود، توانستند این مشکل را حل کنند. آن ها با استفاده از سلول های عصبی توانستند یک الگوریتم هوش مصنوعی سریع و کارآمد ایجاد کنند.

نورون‌ها از طریق سیناپس‌ها برای باز کردن نوع جدیدی از الگوریتم‌های هوش مصنوعی سریع و کارآمد.
دانیلا روس، مدیر CSAIL و یکی از محققان مرکز MIT گفت: «مدل‌های جدید یادگیری ماشینی که ما آن را «CfC» می‌نامیم [زمان پیوسته به شکل بسته] جایگزین معادله دیفرانسیلی می شود که نورون یا همان سلول های عصبی را با تقریب محاسبه می‌کرد. مدل ما تمام خواص زیبای شبکه‌های مایع را بدون نیاز به ادغام عددی حفظ می‌کند. مدل‌های CfC در زمینه های آموزش و پیش‌بینی کارآمد هستند. آن‌ها راه را برای استفاده از الگوریتم های یادگیری ماشینی قابل اعتماد در سیستم های حیاتی باز می کنند.”

معادلات دیفرانسیل فرمول هایی هستند که می توانند وضعیت یک سیستم را در نقاط یا مراحل مختلف در طول فرآیند توصیف کنند. به عنوان مثال، اگر یک بازوی رباتی دارید که از نقطه A به B حرکت می کند، می توانید از یک معادله دیفرانسیل استفاده کنید تا در هر مرحله از فرآیند ببینید دقیقا در کجا قرار دارد. با این حال، حل این معادلات در هرمرحله از نظر محاسباتی گران تمام می شود. راه‌حل «فرم بسته» MIT با مدل‌سازی عملکرد توصیفی کل یک سیستم در یک مرحله محاسباتی، این مشکل را حل می‌کند.

تیم MIT این موضوع را با مثال به صورت شفاف توضیح داد:
تصور کنید که یک شبکه عصبی end-to-end دارید که ورودی های خود را از دوربین نصب شده بر روی خودرو دریافت می کند. این شبکه برای تولید خروجی‌ها مانند زاویه فرمان خودرو برنامه ریزی شده است. در سال 2020، یک تیم تحقیقاتی این مشکل را با استفاده از شبکه‌های عصبی مایع با 19 گره حل کرد، بنابراین 19 نورون به اضافه یک ماژول ادراک کوچک می‌توانند ماشین را هدایت کنند. یک معادله دیفرانسیل هر گره آن سیستم را توصیف می کند. با راه حل فرم بسته، می توانید رفتار دقیق سیستم را با تقریب خوبی ببینید. آن‌ها توانستند مشکل را با تعداد نورون های کمتر حل کنند، بنابراین تعداد نورون کمتر می تواند در زمان و هزینه های محاسباتی صرفه جویی کند.

تیم تحقیقاتی امیدوار است با حل این معادله در سطح نورون، بتواند مدل‌هایی بسازد که قادر باشند میلیون‌ها اتصال عصبی را اندازه‌گیری کنند. چیزی که در حال حاضر امکان‌پذیر نیست. اما، گام مهمی در جهت ساخت سیستم‌های هوش مصنوعی جدید خواهد بود.