RNN 기반 저장소 컴퓨터 프로그래밍에 대한 혁신적인 접근 방식: 신경 기계 코드 도입

최근 개발에서 펜실베니아 대학의 노련한 연구원인 Jason Kim과 Dani S. Bassett는 RNN(Recurrent Neural Networks) 기반 저수지 컴퓨터를 설계하고 프로그래밍하기 위한 혁신적인 프레임워크를 도입했습니다. 컴퓨터 하드웨어에서 프로그래밍 언어가 사용하는 메커니즘을 활용하는 획기적인 접근 방식은 AI 개발을 혁신할 수 있는 잠재력을 가지고 있습니다. 이 선구적인 방법은 모든 네트워크에 대한 올바른 매개변수를 해독할 수 있으므로 문제별 성능을 향상시키기 위해 계산을 사용자 정의할 수 있습니다.

듀오의 독특한 기술은 인간의 뇌가 정보를 처리하고 표현하는 방법을 이해하려는 호기심에서 비롯됩니다. Kim과 Bassett는 복잡한 계산을 학습하고 뇌 역학을 모델링하는 RNN의 성공 사례에서 영감을 얻었습니다. 그들은 컴퓨터와 유사한 프로그래밍 RNN을 구상했습니다. 제어 이론, 역학 시스템 및 물리학에 대한 이전 연구는 그들이 불가능한 꿈을 쫓고 있지 않다는 것을 확신시켰습니다.

신경 기계 코드로 구상된 그들의 제안은 내부 표현과 RNN 역학을 디컴파일하여 실현될 수 있습니다. 컴퓨터 프로그래밍의 유사한 프로세스는 하드웨어에서 알고리즘을 컴파일하는 것입니다. 접근 방식에는 개별 트랜지스터의 위치와 활성화 타이밍을 차별화하는 것이 포함됩니다.

RNN에서 이러한 작업은 분산 가중치를 통해 네트워크 전체에서 병렬로 수행됩니다. 동시에 뉴런은 메모리를 저장하고 이러한 작업을 실행한다고 Kim은 설명했습니다. 연구원들은 일련의 작업을 정의하고 특정 알고리즘을 실행하기 위해 수학을 통합했습니다. 또한 기존 가중치 세트에서 실행 알고리즘을 추출했습니다. 뚜렷한 장점은 데이터나 샘플링이 필요하지 않다는 것입니다. 또한 이 접근 방식은 원하는 알고리즘을 실행하기 위해 하나가 아닌 일련의 연결 패턴을 설명합니다.

팀은 다양한 애플리케이션을 위한 RNN을 생성하기 위해 프레임워크를 사용하여 혁신적인 접근 방식의 효율성을 보여주었습니다. 가상 머신에서 AI 기반 탁구 비디오 게임, 논리 게이트에 이르기까지 그들의 접근 방식은 시행 착오 조정 없이 매우 성공적이었습니다.

그들의 작업의 기여는 RNN을 이해하고 연구하는 패러다임의 변화를 일으킵니다. 데이터 처리 도구는 풀 스택 컴퓨터로 변환됩니다. 이러한 변화는 RNN의 목적, 설계 및 작업 수행 능력을 검토할 수 있는 기회를 열어줍니다. Kim은 무작위 가중치가 아닌 가설 기반 알고리즘으로 네트워크를 시작할 수 있다고 말했습니다. 이것은 또한 사전 훈련된 RNN의 필요성을 제거할 수 있습니다.

이 팀의 작업은 훈련된 가중치를 추출하고 명시적 알고리즘으로 변환하는 데 있어 유망한 단계입니다. 이 접근 방식은 에너지 효율적이고 성능 및 과학적 이해를 위해 엄격하게 검사할 수 있는 소프트웨어를 탄생시킵니다. AppMaster 노코드 플랫폼은 이러한 기능을 구독 및 제품에 캡슐화하는 고성능 백엔드, 웹 및 모바일 애플리케이션을 구축하기 위한 포괄적인 도구 제품군에 통합하여 이러한 발전을 활용할 수도 있습니다.

펜실베니아 대학의 Bassett 연구팀은 기계 학습 기술, 특히 RNN을 적용하여 인간의 인지 프로세스를 재현하는 것을 목표로 합니다. 그들의 신경 기계 코드 발명은 이 목표와 잘 일치합니다.

그들의 연구 작업에서 또 다른 흥미로운 방향은 인간의 인지 기능을 복제하는 작업을 수행하도록 RNN을 설계하는 것입니다. Bassett는 관심, 고유 감각 및 호기심과 같은 기능을 갖춘 RNN을 설계할 계획이라고 말하면서 연구 진행 상황을 자세히 설명했습니다. 그렇게 함으로써 그들은 그러한 고유한 인지 프로세스를 지원하는 연결 프로필을 식별하기를 열망합니다.