详细内容或原文请订阅后点击阅览
受大脑神经动力学启发的新型AI模型
新型的“状态空间模型”采用谐波振荡器的原理。
来源:MIT新闻 - 人工智能MIT的计算机科学和人工智能实验室（CSAIL）的研究人员开发了一种受大脑神经振荡启发的新型人工智能模型，其目的是显着推进机器学习算法如何处理长期数据序列。
AI经常在分析长时间内展开的复杂信息（例如气候趋势，生物信号或财务数据）上挣扎。一种称为“状态空间模型”的新型AI模型已专门设计为更有效地理解这些顺序模式。但是，现有的状态空间模型通常会面临挑战 - 处理长数据序列时它们可能会变得不稳定或需要大量的计算资源。
为了解决这些问题，CSAIL研究人员T. Konstantin Rusch和Daniela Rus开发了他们所谓的“线性振荡状态空间模型”（Linoss），该（Linoss）利用强制谐波振荡器的原理 - 这是一个根深蒂固的概念，该概念根植于物理学并在生物学神经网络中观察到。这种方法提供了稳定，表达和计算有效的预测，而没有对模型参数过度限制条件。
“我们的目标是捕获生物神经系统中看到的稳定性和效率，并将这些原理转化为机器学习框架，” Rusch解释说。 “借助Linoss，我们现在可以可靠地学习长期交互，即使在跨越数十万个数据点或更多数据点的序列中。”
Linoss模型在确保稳定的预测中是独一无二的，而与以前的方法相比，限制性设计选择要少得多。此外，研究人员严格证明了该模型的通用近似能力，这意味着它可以近似任何连续的因果函数，与输入序列和输出序列相关。