Память робота можно сделать лучше благодаря алгоритму работы мозга человека

Российские ученые из МФТИ (Участник НАУРР), ФИЦ «Информатика и управление» РАН и института AIRI разработали новый биологически подобный алгоритм памяти для искусственного интеллекта, значительно повышающий эффективность обучения роботов в условиях шумовой среды. Метод основан на принципах работы дендритов — отростков нейронов мозга, ответственных за передачу сигналов. Новый алгоритм позволяет ИИ быстрее обрабатывать информацию и находить связи между данными, сокращая при этом затраты вычислительных ресурсов.

Новый алгоритм машинного обучения позволит роботизированным системам обобщать данные и находить между ними взаимосвязи. Это уменьшит расход времени и вычислительных ресурсов на обработку информации и поможет более эффективному обучению ИИ.

Основой разработки стала идея использования математических моделей, напоминающих дендриты — отростки нейронов в мозге, которые играют ключевую роль в передаче информации. В искусственных моделях они помогают распознавать и классифицировать объекты. В процессе обучения модель адаптируется, «вырастая» и расширяя свои знания путем создания новых «дендритов».

Однако существующие модели сталкиваются с проблемой чрезмерного разрастания. Это часто происходит в «шумных» средах, где каждое новое отклонение требует создания дополнительных сегментов, что увеличивает сложность и ресурсоемкость системы.

Решение, которое предлагают ученые, – изменение алгоритма машинного обучения таким образом, чтобы вычислительная модель распознавала не весь объект, а определенные его части. Для этого в алгоритм внедрили «мягкий адаптер». Эта функция позволяет существующим сегментам узнавать новые объекты по частичному сходству. Результаты экспериментов показали, что данный подход существенно замедляет рост «дендритов» без значительной потери качества распознавания.

Разработка такого алгоритма не только минимизирует избыточное разрастание, но и увеличивает способность ИИ обобщать данные, находя взаимосвязи даже в условиях повышенного шума. Такая адаптивность помогает системам подстраиваться под разные уровни сложности и шума.

Независимо от природы данных — будь то текст, изображение или физические объекты — вычислительная модель эффективно справляется с распознаванием, открывая перспективы для создания реалистичных картин мира. С этой технологией ИИ может стать на шаг ближе к реализации примитивных форм мышления.

Вместе с тем предложенный алгоритм обладает адаптивностью, которая выражается в способности регулировать уровень точности распознавания. Это дает машинному мозгу возможность, подобно радиоприемнику, тонко подстраиваться под заданный диапазон шума.