Meningkatkan AI dengan Mannequin Komputasi Baru Neuron Nyata

Sebuah mannequin baru yang dikembangkan oleh peneliti Flatiron Institute mengusulkan bahwa neuron biologis memiliki kontrol lebih besar terhadap lingkungannya daripada yang diperkirakan sebelumnya, sesuatu yang dapat direplikasi dalam jaringan saraf tiruan yang digunakan dalam pembelajaran mesin.

Sebuah mannequin baru dari Pusat Ilmu Saraf Komputasi Flatiron Institute mengusulkan bahwa neuron individu merupakan pengontrol yang lebih berpengaruh dalam jaringan mereka daripada yang diyakini sebelumnya, menantang mannequin tahun 1960-an yang sudah ketinggalan zaman.

Pemahaman tingkat lanjut ini dapat secara signifikan meningkatkan fungsi jaringan syaraf tiruan dengan mengintegrasikan mekanisme yang mirip dengan otak manusia, mengatasi keterbatasan AI saat ini seperti kesalahan dan proses pelatihan yang tidak efisien.

Mannequin AI dan Neuronal Fashionable

Hampir semua jaringan saraf yang menggerakkan sistem saraf fashionable kecerdasan buatan alat seperti ChatGPT didasarkan pada mannequin komputasional neuron hidup period 1960-an. Mannequin baru yang dikembangkan di Pusat Ilmu Saraf Komputasi (CCN) Flatiron Institute menunjukkan bahwa perkiraan yang sudah ada puluhan tahun ini tidak mencakup semua kemampuan komputasional yang dimiliki neuron nyata dan bahwa mannequin lama ini berpotensi menghambat pengembangan AI.

Ilustrasi seniman tentang tangan digital dan tangan manusia yang saling menggambar. Kredit: Alex Eben Meyer untuk Yayasan Simons

Merevolusi AI dengan Mannequin Neuronal Tingkat Lanjut

Mannequin baru yang dikembangkan di CCN menyatakan bahwa neuron particular person mengerahkan lebih banyak kendali atas lingkungan mereka daripada yang diperkirakan sebelumnya. Mannequin neuron yang diperbarui pada akhirnya dapat mengarah pada jaringan saraf buatan yang lebih kuat yang lebih baik menangkap kekuatan otak kita, kata pengembang mannequin. Para peneliti menyajikan mannequin revolusioner tersebut dalam sebuah makalah yang diterbitkan pada minggu tanggal 24 Juni di jurnal Prosiding Akademi Ilmu Pengetahuan Nasional.

“Ilmu saraf telah mengalami kemajuan pesat dalam 60 tahun terakhir, dan kami sekarang menyadari bahwa mannequin neuron sebelumnya masih belum sempurna,” kata Dmitri Chklovskii, pemimpin kelompok di CCN dan penulis senior makalah baru ini. “Neuron adalah perangkat yang jauh lebih kompleks – dan lebih pintar – dibandingkan mannequin yang terlalu disederhanakan ini.”

Mekanisme Fungsional Jaringan Syaraf Tiruan

Jaringan saraf tiruan bertujuan untuk meniru cara otak manusia memproses informasi dan mengambil keputusan, meskipun dengan cara yang jauh lebih sederhana. Jaringan ini dibangun dari lapisan 'node' yang disusun berdasarkan mannequin neuron tahun 1960an. Jaringan dimulai dengan lapisan masukan dari simpul-simpul yang menerima informasi, kemudian memiliki simpul-simpul lapisan tengah yang memproses informasi, dan kemudian diakhiri dengan simpul-simpul lapisan keluaran yang mengirimkan hasilnya.

Biasanya, sebuah node hanya akan meneruskan informasi ke lapisan berikutnya jika whole masukan yang diterimanya dari node lapisan sebelumnya melebihi ambang batas tertentu. Ketika jaringan saraf tiruan saat ini dilatih, informasi melewati sebuah node hanya dalam satu arah, dan tidak ada cara bagi node untuk memengaruhi informasi yang mereka terima dari node sebelumnya dalam rantai tersebut.

Sebaliknya, mannequin yang baru diterbitkan memperlakukan neuron sebagai 'pengendali' kecil, sebuah istilah rekayasa untuk perangkat yang dapat mempengaruhi lingkungan sekitar berdasarkan informasi yang dikumpulkan tentang lingkungan tersebut. Tidak hanya sekedar menyampaikan masukan secara pasif, sel-sel otak kita sebenarnya dapat bekerja untuk mengontrol keadaan sesama neuron.

Implikasi dan Manfaat Mannequin Neuron-Sebagai-Pengendali

Chklovskii percaya bahwa mannequin neuron-sebagai-pengendali yang lebih realistis ini bisa menjadi langkah signifikan menuju peningkatan kinerja dan efisiensi banyak pembelajaran mesin aplikasi.

“Meskipun pencapaian AI sangat mengesankan, masih banyak masalah,” katanya. “Aplikasi saat ini dapat memberikan jawaban yang salah, atau berhalusinasi, dan melatihnya membutuhkan banyak energi; biayanya sangat mahal. Ada banyak masalah yang tampaknya dihindari oleh otak manusia. Jika kita memahami bagaimana otak benar-benar melakukan ini, kita dapat membangun AI yang lebih baik.”

Arah dan Eksplorasi Masa Depan dalam Kontrol Neuronal

Mannequin neuron-sebagai-pengendali terinspirasi oleh apa yang dipahami para ilmuwan tentang sirkuit berskala besar di otak yang terdiri dari banyak neuron. Sebagian besar sirkuit otak dianggap terorganisasi menjadi lingkaran umpan balik, di mana sel-sel yang berada di rantai pemrosesan selanjutnya memengaruhi apa yang terjadi di awal rantai. Mirip seperti termostat yang menjaga suhu rumah atau gedung, sirkuit otak perlu menjaga kestabilannya sendiri untuk menghindari sistem tubuh yang kewalahan dengan aktivitas.

Chklovskii mengatakan bahwa tidak sepenuhnya intuitif bahwa kontrol umpan balik semacam ini juga dapat diwujudkan oleh sel otak particular person. Ia dan rekan-rekannya menyadari bahwa bentuk kontrol baru, yang dikenal sebagai kontrol berbasis information langsung, cukup mudah dan efisien untuk secara biologis masuk akal terjadi pada sel-sel particular person.

“Orang menganggap otak secara keseluruhan atau bahkan bagian otak sebagai pengontrol, namun tidak ada yang berpendapat bahwa satu neuron pun dapat melakukan hal tersebut,” kata Chklovskii. “Pengendalian adalah tugas komputasi yang intensif. Sulit membayangkan neuron memiliki kapasitas komputasi yang cukup.”

Meningkatkan Pemahaman Melalui Kebisingan Biologis

Melihat neuron sebagai pengontrol mini juga menjelaskan beberapa fenomena biologis yang sebelumnya tidak dapat dijelaskan, kata Chklovskii. Misalnya, sudah lama diketahui bahwa terdapat banyak kebisingan di otak, dan tujuan keacakan biologis ini masih diperdebatkan, namun tim CCN menemukan melalui pemodelan mereka bahwa jenis kebisingan tertentu sebenarnya dapat meningkatkan kinerja neuron.

Lebih khusus lagi, pada persimpangan tempat satu neuron terhubung ke neuron lain (disebut 'sinapsis'), sering kali ada kejadian di mana neuron mengirimkan sinyal listrik tetapi neuron yang terhubung di hilir tidak menerima pesan tersebut. Apakah dan kapan neuron di hilir menerima sinyal sinaptik tampaknya sebagian besar ditentukan oleh peluang. Sementara ilmuwan lain berspekulasi bahwa keacakan tersebut hanyalah sifat sistem biologis kecil dan tidak penting bagi perilaku neuron, tim Flatiron menemukan bahwa menambahkan gangguan pada neuron mannequin mereka memungkinkannya beradaptasi dengan lingkungan yang terus berubah. Keacakan tersebut tampaknya penting dalam mereplikasi cara kerja neuron yang sebenarnya, demikian temuan tim tersebut.

Memperluas Mannequin Neuron ke Jenis Neuron Lain

Chklovskii selanjutnya berencana menganalisis jenis neuron yang tidak sesuai dengan mannequin baru mereka. Misalnya, neuron di retina menerima masukan langsung dari lingkungan visible. Neuron-neuron ini mungkin tidak dapat mengendalikan masukan mereka seperti yang dapat dilakukan neuron yang lebih dalam di otak, tetapi mereka mungkin menggunakan beberapa prinsip yang sama yang diidentifikasi Chklovskii dan timnya: yaitu, neuron-neuron ini mungkin dapat memprediksi masukan mereka, bahkan jika mereka tidak dapat memengaruhinya.

“Kontrol dan prediksi sebenarnya sangat terkait,” kata Chklovskii. “Anda tidak dapat mengendalikan secara efisien tanpa memperkirakan dampak tindakan Anda terhadap dunia.”

Referensi: “Neuron sebagai pengontrol berbasis information langsung” oleh Jason J. Moore, Alexander Genkin, Magnus Tournoy, Joshua L. Pughe-Sanford, Rob R. de Ruyter van Steveninck dan Dmitri B. Chklovskii, 24 Juni 2024, Prosiding Akademi Ilmu Pengetahuan Nasional.
DOI: 10.1073/pnas.2311893121