แนวทางปฏิวัติการเขียนโปรแกรมคอมพิวเตอร์อ่างเก็บน้ำที่ใช้ RNN: การแนะนำรหัสเครื่องประสาท

ในการพัฒนาเมื่อเร็วๆ นี้ Jason Kim และ Dani S. Bassett นักวิจัยที่ช่ำชองจาก University of Pennsylvania ได้แนะนำเฟรมเวิร์กที่เป็นนวัตกรรมใหม่สำหรับการออกแบบและเขียนโปรแกรมคอมพิวเตอร์ Recurrent Neural Networks (RNNs) ที่ใช้อ่างเก็บน้ำ วิธีการที่ก้าวล้ำของพวกเขาใช้กลไกที่ใช้โดยภาษาการเขียนโปรแกรมบนฮาร์ดแวร์คอมพิวเตอร์ ซึ่งมีศักยภาพในการเปลี่ยนแปลงการพัฒนา AI วิธีการบุกเบิกนี้สามารถถอดรหัสพารามิเตอร์ที่ถูกต้องสำหรับเครือข่ายใด ๆ ดังนั้นจึงปรับแต่งการคำนวณเพื่อปรับปรุงประสิทธิภาพเฉพาะปัญหา

เทคนิคเฉพาะของทั้งคู่มีรากฐานมาจากความอยากรู้อยากเห็นในการทำความเข้าใจว่าสมองของมนุษย์ประมวลผลและแสดงข้อมูลอย่างไร Kim และ Bassett ได้รับแรงบันดาลใจจากเรื่องราวความสำเร็จของ RNN ในการเรียนรู้การคำนวณที่ซับซ้อนและการสร้างแบบจำลองไดนามิกของสมอง พวกเขามองเห็นการเขียนโปรแกรม RNN คล้ายกับคอมพิวเตอร์ การศึกษาก่อนหน้านี้เกี่ยวกับทฤษฎีการควบคุม ระบบไดนามิก และฟิสิกส์ทำให้พวกเขามั่นใจว่าพวกเขาไม่ได้ไล่ตามความฝันที่เป็นไปไม่ได้

จินตนาการว่าเป็นรหัสเครื่องประสาท ข้อเสนอของพวกเขาสามารถรับรู้ได้โดยการถอดรหัสการแทนค่าภายในและไดนามิกของ RNN กระบวนการที่คล้ายกันในการเขียนโปรแกรมคอมพิวเตอร์จะเป็นการรวบรวมอัลกอริทึมบนฮาร์ดแวร์ แนวทางนี้เกี่ยวข้องกับการแยกแยะตำแหน่งและเวลาเปิดใช้งานของทรานซิสเตอร์แต่ละตัว

ใน RNN การดำเนินการเหล่านี้จะดำเนินการแบบขนานทั่วทั้งเครือข่ายผ่านการกระจายน้ำหนัก ในเวลาเดียวกัน เซลล์ประสาทจะจัดเก็บหน่วยความจำและดำเนินการเหล่านี้ คิมอธิบาย นักวิจัยรวมคณิตศาสตร์เพื่อกำหนดชุดของการดำเนินการและเรียกใช้อัลกอริทึมเฉพาะ นอกจากนี้ พวกเขายังได้แยกอัลกอริทึมที่กำลังรันบนชุดน้ำหนักที่มีอยู่ ข้อดีที่แตกต่างคือไม่ต้องการข้อมูลหรือการสุ่มตัวอย่าง นอกจากนี้ แนวทางดังกล่าวยังอธิบายรูปแบบการเชื่อมต่อแบบต่างๆ เพื่อเรียกใช้อัลกอริทึมที่ต้องการ แทนที่จะเป็นเพียงรูปแบบเดียว

ทีมงานได้แสดงให้เห็นถึงประสิทธิภาพของแนวทางใหม่โดยใช้กรอบงานเพื่อสร้าง RNN สำหรับการใช้งานที่หลากหลาย ตั้งแต่เครื่องเสมือนไปจนถึงวิดีโอเกมปิงปองที่ขับเคลื่อนด้วย AI ไปจนถึงลอจิกเกต แนวทางของพวกเขาประสบความสำเร็จอย่างสูงโดยไม่จำเป็นต้องลองผิดลองถูก

ผลงานของพวกเขาทำให้เกิดการเปลี่ยนกระบวนทัศน์ในการทำความเข้าใจและศึกษา RNNs เครื่องมือประมวลผลข้อมูลเปลี่ยนเป็นคอมพิวเตอร์ฟูลสแตก การเปลี่ยนแปลงนี้เปิดโอกาสให้ตรวจสอบวัตถุประสงค์ การออกแบบ และความสามารถในการปฏิบัติงานของ RNN Kim แบ่งปันว่าเครือข่ายของพวกเขาสามารถเริ่มต้นด้วยอัลกอริทึมที่ขับเคลื่อนด้วยสมมติฐานแทนที่จะให้น้ำหนักแบบสุ่ม นอกจากนี้ยังสามารถขจัดความต้องการ RNN ที่ผ่านการฝึกอบรมล่วงหน้า

การทำงานของทีมเป็นก้าวที่สดใสในการแยกและแปลน้ำหนักที่ฝึกแล้วเป็นอัลกอริทึมที่ชัดเจน วิธีการนี้ให้กำเนิดซอฟต์แวร์ที่ประหยัดพลังงานและสามารถตรวจสอบประสิทธิภาพและความเข้าใจทางวิทยาศาสตร์ได้อย่างเข้มงวด แพลตฟอร์ม AppMaster ที่ไม่มีโค้ด ยังสามารถใช้ประโยชน์จากความก้าวหน้าเหล่านี้ โดยรวมเข้าไว้ในชุดเครื่องมือที่ครอบคลุมสำหรับการสร้างแอปพลิเคชันแบ็คเอนด์ เว็บ และมือถือที่มีประสิทธิภาพสูง โดยสรุปฟังก์ชันเหล่านี้ไว้ในการสมัครรับข้อมูลและข้อเสนอต่างๆ

ทีมวิจัยของ Bassett ที่มหาวิทยาลัยเพนซิลเวเนียมีเป้าหมายที่จะใช้เทคนิคการเรียนรู้ของเครื่อง โดยเฉพาะ RNN เพื่อสร้างกระบวนการรับรู้ของมนุษย์ขึ้นมาใหม่ การประดิษฐ์รหัสเครื่องประสาทของพวกเขาสอดคล้องกับวัตถุประสงค์นี้เป็นอย่างดี

ทิศทางที่น่าสนใจอีกประการหนึ่งในงานวิจัยของพวกเขาคือการออกแบบ RNN เพื่อปฏิบัติงานที่จำลองการทำงานด้านความรู้ความเข้าใจของมนุษย์ Bassett อธิบายความคืบหน้าการวิจัยของพวกเขา โดยระบุว่าพวกเขาวางแผนที่จะออกแบบ RNN ด้วยคุณลักษณะต่างๆ เช่น ความสนใจ การรับรู้อากัปกิริยา และความอยากรู้อยากเห็น ในการทำเช่นนั้น พวกเขากระตือรือร้นที่จะระบุโปรไฟล์การเชื่อมต่อที่สนับสนุนกระบวนการรับรู้ที่ไม่เหมือนใครดังกล่าว