কৃত্রিম নিউরাল নেটওয়ার্কগুলি থেকে আমরা মানব মস্তিষ্ক সম্পর্কে কী শিখতে পারি?


24

আমি জানি আমার প্রশ্ন / শিরোনাম খুব নির্দিষ্ট নয়, তাই আমি এটি পরিষ্কার করার চেষ্টা করব:

কৃত্রিম নিউরাল নেটওয়ার্কগুলির তুলনামূলকভাবে কঠোর ডিজাইন রয়েছে। অবশ্যই, সাধারণত, তারা জীববিজ্ঞান দ্বারা প্রভাবিত হয় এবং বাস্তব নিউরাল নেটওয়ার্কগুলির একটি গাণিতিক মডেল তৈরি করার চেষ্টা করে, তবে প্রকৃত স্নায়ু নেটওয়ার্কগুলির বিষয়ে আমাদের বোঝার সঠিক মডেল তৈরির জন্য অপর্যাপ্ত। অতএব, আমরা সঠিক মডেল বা "নিকটে" আসল স্নায়বিক নেটওয়ার্কগুলির যে কোনও কিছু ধারণা করতে পারি না।

যতদূর আমি জানি, সমস্ত কৃত্রিম নিউরাল নেটওয়ার্কগুলি রিয়েল নিউরাল নেটওয়ার্কগুলি থেকে অনেক দূরে। জীববিজ্ঞানে স্ট্যান্ডার্ড, ক্লাসিক সম্পূর্ণ সংযুক্ত এমএলপি উপস্থিত নেই। পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলির সত্যিকারের নিউরোপ্লাস্টিকটির অভাব থাকে, একটি আরএনএন-এর প্রতিটি নিউরনের একই "প্রতিক্রিয়া আর্কিটেকচার" থাকে যখন আসল নিউরনগুলি পৃথকভাবে তাদের তথ্য সংরক্ষণ এবং ভাগ করে নেয়। কনভোলিউশনাল নিউরাল নেটওয়ার্কগুলি কার্যকর এবং জনপ্রিয়, তবে (উদাহরণস্বরূপ) মানব মস্তিষ্কে চিত্র প্রক্রিয়াকরণে কয়েকটি কয়েকটি কনভলিউশন স্তর থাকে যখন আধুনিক সমাধান (গুগলনেটের মতো) ইতিমধ্যে কয়েকশ স্তর ব্যবহার করে ... এবং যদিও তারা কম্পিউটারের জন্য দুর্দান্ত ফলাফল তৈরি করছে , তারা মানুষের পারফরম্যান্সের খুব কাছাকাছিও নয়। বিশেষত যখন আমরা "প্রতি-স্তর-পারফরম্যান্স" সম্পর্কে চিন্তা করি, কারণ আমাদের সত্যিকারের নিউরাল নেটওয়ার্কগুলির তুলনায় পর্যাপ্ত পরিমাণে স্তর এবং ডেটা হ্রাস প্রয়োজন।

অতিরিক্তভাবে, আমার জ্ঞানের সাথে, এমনকি মডিউলার, স্ব-প্রসারিত / স্ব-পুনর্গঠন কৃত্রিম নিউরাল নেটওয়ার্কগুলি বরং সত্যিকারের নিউরাল নেটওয়ার্কগুলির বিশাল অভিযোজনযোগ্যতার তুলনায় "স্থির এবং স্থিতিশীল" are জৈবিক নিউরনে সাধারণত হাজার হাজার ডেনড্রাইট থাকে নিউরনকে বিভিন্ন অঞ্চল এবং অন্যান্য নিউরনের একটি বিচিত্র প্রকারের সাথে সংযুক্ত করে। কৃত্রিম নিউরাল নেটওয়ার্কগুলি আরও "সোজা" "

সুতরাং, কৃত্রিম নিউরাল নেটওয়ার্কগুলি থেকে আমরা মানব মস্তিষ্ক / রিয়েল নিউরাল নেটওয়ার্কগুলি সম্পর্কে কিছু জানতে পারি? বা ক্লাসিক, স্ট্যাটিক অ্যালগরিদমগুলির চেয়ে ভাল পারফরম্যান্স তৈরি করার সফ্টওয়্যার তৈরি করার কিছু প্রচেষ্টা (বা এমন জিনিসগুলি করা যায় যেখানে এই জাতীয় অ্যালগরিদম ব্যর্থ হয়)?

এই বিষয় সম্পর্কে কেউ কি সরবরাহ করতে পারে (পছন্দমত বৈজ্ঞানিক)?

সম্পাদনা: আরও উত্তর অত্যন্ত প্রশংসা করা হয় (:


এটি জিজ্ঞাসা করার পর থেকে অনেক কিছু পরিবর্তন হয়েছে। ইমেজনেটে ​​প্রশিক্ষিত গভীর নেটওয়ার্কগুলি দেখে মনে হচ্ছে তারা উদাহরণস্বরূপ ভিজ্যুয়াল সিস্টেমে (বা কমপক্ষে ফিড-ফরোয়ার্ড অংশ) জন্য যথাযথভাবে শালীন অনুমানের হতে পারে।
ম্যাট ক্রাউজ

উত্তর:


13

যেমনটি আপনি উল্লেখ করেছেন, বেশিরভাগ নিউরাল নেটওয়ার্কগুলি মস্তিষ্কের সাধারণ সাধারণ বিমূর্ততাগুলির উপর ভিত্তি করে। তারা কেবল প্লাস্টিকের মতো নকলকরণের বৈশিষ্ট্যগুলির ঘাটতিই রাখে না, তবে তারা সত্যিকারের নিউরনগুলির মতো সংকেত এবং সময়কে বিবেচনা করে না।

মোটামুটি সাম্প্রতিক একটি সাক্ষাত্কার রয়েছে, যা আমি আপনার নির্দিষ্ট প্রশ্নের জন্য উপযুক্ত মনে করেছি, মেশিন-লার্নিং মায়েস্ট্রো মাইকেল জর্ডান বিগ ডেটা এবং অন্যান্য বিশাল ইঞ্জিনিয়ারিং প্রচেষ্টার বিভ্রান্তিতে , এবং আমি উদ্ধৃত করেছি:

তবে এটি সত্য যে স্নায়ুবিজ্ঞানের সাথে গভীর নীতিগুলি বুঝতে কয়েক দশক এমনকি কয়েকশো বছর সময় লাগবে। স্নায়ুবিজ্ঞানের খুব নিম্ন স্তরে অগ্রগতি রয়েছে। তবে উচ্চতর জ্ঞান সম্পর্কিত বিষয়গুলির জন্য - আমরা কীভাবে উপলব্ধি করি, কীভাবে আমরা মনে করি, আমরা কীভাবে আচরণ করি — নিউরনগুলি কীভাবে তথ্য সংরক্ষণ করে, কীভাবে তারা কম্পিউটিং করছে, নিয়মগুলি কী, অ্যালগরিদমগুলি কী, উপস্থাপনাগুলি কী এবং আমাদের কী ধারণা নেই মত. সুতরাং আমরা এখনও এমন একটি যুগে আছি না যেখানে আমরা মস্তিস্কের বোধগম্যতা ব্যবহার করে বুদ্ধিমান সিস্টেমগুলি নির্মাণে আমাদের গাইড করতে পারি।


5
এটি ওপিএস থেকে আলাদা কোনও প্রশ্নের উত্তর নয়? জর্দানের সাক্ষাত্কারের উদ্ধৃতিটির শেষ পংক্তিতে বোঝানো হয়েছে যে তিনি "মস্তিষ্ক সম্পর্কে আমাদের জ্ঞান থেকে কৃত্রিম বুদ্ধিমত্তা সম্পর্কে আমরা কীভাবে তৈরি করতে পারি (কীভাবে তৈরি করতে পারি?") - এই কথোপকথন নয়। "কৃত্রিম বুদ্ধি থেকে আমরা মস্তিষ্ক থেকে কী শিখতে পারি?" খুব বেশি নয়, এ কারণেই জ্ঞানীয় বিজ্ঞানের ক্ষেত্রটি ১৯৮০ এবং ১৯৯০-এর দশকে তার প্রথম দিন থেকেই প্রবহমান।
dodgethesteamroller

হ্যাঁ - কমবেশি ... তবে এটি বিষয়টির একটি দুর্দান্ত পরিবেশন। এটি এই ধারণার দিকে পরিচালিত করে যে মস্তিষ্ক সম্পর্কে আমাদের বোঝা অত্যন্ত অপর্যাপ্ত, সুতরাং আমরা সঠিক মডেল তৈরি করতে বা বর্তমানে সফল মডেলগুলি থেকে অনেক কিছু জানতে সক্ষম নই।
daniel451

11

খুব বেশি নয় --- তর্কযোগ্যভাবে কিছুই --- এখনও পর্যন্ত কৃত্রিম নিউরাল নেটওয়ার্কগুলি থেকে মস্তিষ্কের ক্রিয়াকলাপ সম্পর্কে শিখেছি। [স্পষ্টতা: আমি এই উত্তরটি মেশিন লার্নিংয়ে ব্যবহৃত নিউরাল নেটওয়ার্কগুলির কথা ভেবে লিখেছিলাম; @ ম্যাটক্রাউজ (+1) ঠিক আছে যে কিছু জৈবিক স্নায়বিক ঘটনাগুলির নিউরাল নেটওয়ার্ক মডেলগুলি অনেক ক্ষেত্রে সহায়ক হতে পারে]] তবে, সম্ভবত মেশিন লার্নিংয়ে কৃত্রিম নিউরাল নেটওয়ার্কগুলিতে গবেষণা কম-বেশি হওয়ার কারণে এটি সম্ভবত আংশিক ২০০ 2006 সালের প্রায় অবধি স্থবিরতা, যখন জেফ্রি হিন্টন প্রায় এককভাবে পুরো ক্ষেত্রটিকে আবার জাগিয়ে তুলেছিল যা এখন কোটি কোটি ডলার আকৃষ্ট করে।

গুগলে ব্রিনস, সেক্স, এবং মেশিন লার্নিং (৪৫:৩০ থেকে) নামে একটি বক্তৃতায় হিন্টন পরামর্শ দিয়েছিলেন যে কৃত্রিম নিউরাল নেটওয়ার্কগুলি [বেশিরভাগ] নিউরনগুলি স্পাইকের সাথে কেন যোগাযোগ করে, এনালগ সংকেত দিয়ে নয় কেন তার একটি ইঙ্গিত সরবরাহ করতে পারে। যথা, তিনি স্পাইকগুলি ড্রপআউটের মতো নিয়মিতকরণ কৌশল হিসাবে দেখতে পরামর্শ দেন। ড্রপআউট অতিমাত্রায় প্রতিরোধের একটি সম্প্রতি বিকাশযুক্ত উপায়, যখন কোনও প্রদত্ত গ্রেডিয়েন্ট বংশোদ্ভূত পদক্ষেপে কেবলমাত্র ওজনের একটি উপসেট আপডেট করা হয় ( শ্রীবাস্তব এট আল 2014 দেখুন )। স্পষ্টতই এটি খুব ভালভাবে কাজ করতে পারে, এবং হিন্টন মনে করেন যে সম্ভবত স্পাইকস (যেমন বেশিরভাগ নিউরন কোনও মুহুর্তে নিরব থাকে) একই উদ্দেশ্যে কাজ করে।

আমি একটি স্নায়ুবিজ্ঞান গবেষণা ইনস্টিটিউটে কাজ করি এবং আমি এখানে কাউকে চিনি না যারা হিন্টনের যুক্তি দ্বারা নিশ্চিত হন। জুরি এখনও আউট (এবং সম্ভবত বেশ কিছু সময়ের জন্য বের হতে যাবো করা হয়), কিন্তু অন্তত এই এমন কিছু বিষয় যা কৃত্রিম নিউরাল নেটওয়ার্ক পারে একটি উদাহরণ সম্ভাব্য মস্তিষ্ক কার্যকরী সম্পর্কে আমাদের শেখান।


এটি আকর্ষণীয় মনে হচ্ছে - জৈবিক নিউরাল নেটওয়ার্কগুলিতে ড্রপআউট বনাম স্পাইকগুলির কৌশলটির সাথে তুলনা করুন। আপনি কি আরও উত্স সরবরাহ করতে পারেন? গুগল স্কলার এবং আইইইই অনুসন্ধানের মাধ্যমে কমপক্ষে এই মুহুর্তের জন্য আমি এই বিষয়ে ভাল কাগজটি খুঁজে পাইনি ...
ড্যানিয়েল 451

2
আমার মনে হয় না এটিকে কোনও বিজ্ঞানসম্মত কাগজ তৈরি করা হয়েছে বা একেবারেই প্রকাশিত হয়েছে। আরও বেশি উত্তেজক ধারণা এবং একটি অস্পষ্ট স্বজ্ঞার মতো মনে হচ্ছে যেটি হিন্টন এসেছিল, তবে পরীক্ষামূলকভাবে প্রমাণ করার জন্য অনেক দীর্ঘ পথ রয়েছে যে এটি আসলে (বা হয় না)।
অ্যামিবা বলেছেন মোনিকা

1
ঠিক আছে ... খুব খারাপ :( এই ধারণাগুলির জন্য কিছু উদ্ধৃত উত্স থাকতে পছন্দ করতেন ... তারা উপসংহারের জন্য আকর্ষণীয় মনে হয়;)
ড্যানিয়েল 451

আপনি যদি আমার জিজ্ঞাসা করতে আপত্তি না করেন: আপনার আসল গবেষণার বিষয় কী? আপনি এই জাতীয় সমস্যা সম্পর্কে পরিচিত এবং অভিজ্ঞ বলে মনে করেন। আপনি আরও পড়ার জন্য কাগজপত্র সুপারিশ করতে পারেন?
ড্যানিয়েল 451

8

এটি অবশ্যই সত্য নয় যে মানব মস্তিষ্ক কেবল "কয়েকটি" সংশোধনমূলক স্তরগুলি ব্যবহার করে। প্রাইমেট মস্তিষ্কের প্রায় 1/3 অংশ কোনওভাবে ভিজ্যুয়াল তথ্য প্রক্রিয়াকরণের সাথে জড়িত। ফেলেলম্যান এবং ভ্যান এসেন-এর এই চিত্রটি, বানরের মস্তিষ্কে কীভাবে চাক্ষুষ তথ্য প্রবাহিত হয় তার চোখের সামনে (নীচে আরজিসি) শুরু হয় এবং একটি স্মৃতি অঞ্চল হিপ্পোক্যাম্পাসে শেষ হয় তার একটি মোটামুটি রূপরেখা।ফেলেলম্যান এবং ভ্যান এসেন

এই বাক্সগুলির প্রত্যেকটিই একটি প্রাকৃতিকভাবে সংজ্ঞায়িত অঞ্চল (কম বা কম), যাতে বেশ কয়েকটি প্রক্রিয়াজাতকরণের স্তর থাকে (প্রকৃত স্তরগুলি, বেশিরভাগ ক্ষেত্রে)। চিত্রটি নিজেই 25 বছর বয়সী এবং যদি কিছু হয় তবে আমরা শিখেছি যে আরও কয়েকটি বাক্স এবং আরও অনেকগুলি লাইন রয়েছে।

এটা তোলে হয় সত্য যে গভীর শেখার কাজ অনেক আরো কিছু অন্তর্নিহিত নিউরাল সত্য উপর ভিত্তি করে চেয়ে মস্তিষ্ক "অস্পষ্টভাবে দ্বারা অনুপ্রাণিত"। "ডিপ লার্নিং" এর সাথে "পুনরাবৃত্ত লজিস্টিক রিগ্রেশন" এর চেয়ে অনেক বেশি যৌনমিলিক শোনার যুক্ত সুবিধাও রয়েছে।

যাইহোক, নিউরাল নেটওয়ার্কগুলির গাণিতিক মডেলগুলি মস্তিষ্ক সম্পর্কে আমাদের বোঝার ক্ষেত্রেও অনেক অবদান রেখেছে। এক চূড়ান্তভাবে, কিছু মডেলগুলি জ্ঞাত জীববিজ্ঞান এবং বায়ো ফিজিক্সগুলি যথাযথভাবে অনুকরণ করার চেষ্টা করে। এর মধ্যে সাধারণত স্বতন্ত্র আয়নগুলির জন্য শর্তাদি এবং তাদের প্রবাহ অন্তর্ভুক্ত থাকে। এমনকি কিছু তাদের আকৃতি সীমাবদ্ধ করতে বাস্তব নিউরনের 3D পুনর্গঠন ব্যবহার করে। যদি এটি আপনার আগ্রহী হয়, মডেলডিবিতে মডেলগুলির একটি বড় সংগ্রহ এবং সম্পর্কিত প্রকাশনা রয়েছে। অনেকগুলি অবাধে উপলভ্য নিউরন সফ্টওয়্যার ব্যবহার করে প্রয়োগ করা হয় ।

অন্তর্নিহিত বায়োফিজিক সম্পর্কে খুব বেশি চিন্তা না করে কিছু বৃহত্তর মডেল রয়েছে যা কিছু আচরণগত বা নিউরোফিজিওলজিকাল প্রভাবগুলি নকল করার চেষ্টা করে। সংযোগবিদ বা সমান্তরাল-বিতরণ-প্রসেসিং মডেল, যা বিশেষত 1980 এবং 1990 এর দশকের শেষদিকে জনপ্রিয় ছিল এবং আপনি বর্তমান মেশিন লার্নিং অ্যাপ্লিকেশনটিতে (যেমন, কোনও বায়ো ফিজিক্স, সহজ অ্যাক্টিভেশন ফাংশন এবং স্টেরিওটাইপড সংযোগ) বিভিন্ন সন্ধানের জন্য অনুরূপ মডেল ব্যবহার করেছেন various মানসিক প্রক্রিয়া এগুলি কিছুটা জনপ্রিয়তার বাইরেই পড়েছে, যদিও আমাদের কাছে আরও শক্তিশালী কম্পিউটার এবং আরও উন্নত প্রশিক্ষণের কৌশল রয়েছে তা যদি তারা এখনই ফিরে আসতে পারে তবে আশ্চর্য হয়ে যায়। (নীচে সম্পাদনা দেখুন!)

অবশেষে, মাঝখানে কোথাও প্রচুর কাজ রয়েছে যার মধ্যে কিছু "ঘটনাপ্রবাহ" রয়েছে, এর সাথে কিছু জৈবিক বিবরণ রয়েছে (যেমন, নির্দিষ্ট বৈশিষ্ট্যগুলির সাথে একটি স্পষ্টভাবে বাধা শব্দ, তবে ক্লোরাইড চ্যানেলগুলির সঠিক বিতরণকে ফিট না করে)। প্রচুর বর্তমান কাজ এই বিভাগে ফিট করে, যেমন, কাজ করে by জিয়াও জিং ওয়াং (এবং আরও অনেকে ....) এর কাজ

সম্পাদনা : যেহেতু আমি এটি লিখেছি, সেখানে (বাস্তব) ভিজ্যুয়াল সিস্টেমকে অবজেক্ট স্বীকৃতি কার্যের উপর প্রশিক্ষিত গভীর নিউরাল নেটওয়ার্কগুলির সাথে তুলনা করার কাজের বিস্ফোরণ ঘটেছে। কিছু অবাক করা মিল রয়েছে। নিউরাল নেটওয়ার্কের প্রথম স্তরের কার্নেলগুলি প্রাথমিক ভিজ্যুয়াল কর্টেক্সের কার্নেল / গ্রাহক ক্ষেত্রের সাথে খুব একই রকম এবং পরবর্তী স্তরগুলি উচ্চ চাক্ষুষ অঞ্চলে গ্রহণযোগ্য ক্ষেত্রগুলির সাথে সাদৃশ্যপূর্ণ ( উদাহরণস্বরূপ নিকোলাস ক্রিজেসকোর্তে কাজ করুন )। নিউরাল নেটওয়ার্কগুলির পুনরায় প্রশিক্ষণ বিস্তৃত আচরণ প্রশিক্ষণের ক্ষেত্রে একই রকম পরিবর্তন ঘটাতে পারে (ওয়েেনল্যাং এবং সেয়েজ, 2018) । ডিএনএন এবং মানুষ কখনও কখনও - তবে সর্বদা নয় - ত্রুটির অনুরূপ নিদর্শনও তৈরি করে।

এই মুহূর্তে, এটি এখনও প্রকৃত এবং কৃত্রিম নিউরাল নেটওয়ার্কগুলির মধ্যে সাধারণভাবে চিত্রগুলি সম্পর্কে নির্দিষ্টভাবে [*], বা সমস্ত স্ট্রাইপের নিউরাল নেটওয়ার্কগুলির নিদর্শনগুলি খুঁজে পাওয়ার প্রবণতা রয়েছে না, এমনকি সেখানে না থাকলেও এটি স্পষ্ট কিনা তা এখনও অস্পষ্ট। তবুও, এই দুটিয়ের তুলনা ক্রমশ গবেষণার একটি উত্তপ্ত ক্ষেত্র হয়ে উঠেছে এবং সম্ভবত আমরা এটি থেকে কিছু শিখব বলে মনে হচ্ছে।

* উদাহরণস্বরূপ, কোনও সিএনএন এর প্রাথমিক ভিজ্যুয়াল সিস্টেমে / প্রথম স্তরগুলিতে ব্যবহৃত প্রতিনিধিত্ব হ'ল প্রাকৃতিক চিত্রগুলির জন্য সর্বোত্তম বিচ্ছুর ভিত্তি।


দুর্দান্ত অবদান। তবে, আমি অনুভব করি যে ওপিটি বেশ নির্দিষ্ট ছিল: কৃত্রিম নিউরাল নেটওয়ার্ক (এনএন) মডেলগুলি থেকে আমরা মস্তিষ্ক সম্পর্কে কী শিখলাম? অবশ্যই এনএন সম্পর্কে কমপিউটিভাল নিউরোসায়েন্সে লক্ষ লক্ষ কাগজপত্র রয়েছে, কিছু সমালোচনামূলক নিদর্শন এবং স্নায়বিক জলাশয়ের জন্য প্রয়োজনীয় শর্তগুলি অনুসন্ধান করা থেকে শুরু করে, কোন ধরণের জৈবিকভাবে প্রশ্রয়যোগ্য প্লাস্টিকের নিয়মগুলি শিখতে পারে, ইত্যাদি এবং আরও লক্ষ লক্ষ কাগজপত্র রয়েছে যা এনএন সরবরাহ করে কিছু স্নায়বিক ঘটনা মডেল। এই সবগুলি সম্ভবত আমাদের এনএন সম্পর্কে কিছু বলে; কিন্তু আমরা কি সত্যিই মস্তিষ্ক সম্পর্কে নতুন কিছু শিখলাম?
অ্যামিবা বলেছেন মোনিকা

3
এই শেষ বিট সংক্ষিপ্ত উত্তর দেওয়া শক্ত। ডেভিড হেইগার তার প্রস্তাবিত পাঁচটি পরীক্ষার তালিকার 1992 এর পেপার শেষ করার জন্য আমার অবিরাম ভালবাসা এবং স্নেহ অর্জন করেছিলেন । অনেকগুলি কাগজপত্র সেগুলি করে না (এবং আরও বেশি হওয়া উচিত) তবে এটি মডেলিংয়ের জন্য গুরুত্বপূর্ণ ভূমিকাটি তুলে ধরে: নতুন পরীক্ষাগুলিকে অনুপ্রাণিত করে। আমার মাথার শীর্ষে, আমি কেবল মডেলিংয়ের কারণে পরিচিত কিছু সম্পর্কে ভাবতে পারি না , তবে আমি বেশ কয়েকটি দৃশ্যের কথা ভাবতে পারি যেখানে আমরা একটি মডেল সম্পর্কে আকর্ষণীয় কিছু লক্ষ্য করেছি এবং এরপরে আরও ঘনিষ্ঠভাবে পরীক্ষা করার জন্য পরীক্ষাগুলি ডিজাইন করেছি।
ম্যাট ক্রাউস

1

আমরা যা শিখেছি তা হ'ল বিরল অ্যাক্টিভেশন এবং লিনিয়ার সংশোধিত অ্যাক্টিভেশন ফাংশনগুলির ব্যবহার। পরেরটি মূলত একটি কারণ, কেন আমরা তথাকথিত নিউরাল নেটওয়ার্ক সম্পর্কিত ক্রিয়াকলাপে একটি বিস্ফোরণ দেখেছি যেহেতু এই ধরণের অ্যাক্টিভেশন ফাংশন ব্যবহারের ফলে আমরা সেই নিউট্রাল নেটওয়ার্কগুলি কল করতে ব্যবহার করি artificial কৃত্রিম কম্পিউটিং নেটওয়ার্কগুলির প্রশিক্ষণের জন্য নাটকীয় হ্রাস পেয়েছে।

আমরা যা শিখেছি তা হল সিন্যাপস এবং নিউরনগুলি কেন এইভাবে তৈরি করা হয় এবং কেন এটি অগ্রাধিকারযোগ্য। এই লিনিয়ার রেক্টিফাইড অ্যাক্টিভেশন (এফ (এক্স): = এক্স> এ? X: 0) এর বিরল অ্যাক্টিভেশনের ফলে ('নিউরনগুলির কয়েকটি (ভার)) সক্রিয় হয়।

সুতরাং যখন আমাদের জ্ঞান জৈবিক ক্রিয়াকলাপগুলির দিকে প্রসারিত হয় তখন আমরা কী করি, আমরা কেন বুঝতে পারি যে এটি কেন বিবর্তন দ্বারা বেছে নেওয়া এবং পছন্দ করা হয়েছিল। আমরা বুঝতে পারি যে এই সিস্টেমগুলি পর্যাপ্ত পর্যাপ্ত তবে প্রশিক্ষণের সময় ত্রুটি নিয়ন্ত্রণের ক্ষেত্রে স্থিতিশীল এবং মস্তিষ্কে শক্তি এবং রাসায়নিক / জৈবিক সংস্থার মতো সংস্থানগুলিও সংরক্ষণ করে।

মস্তিস্ক যা হয় তা আমরা কেবল বুঝতে পারি। এছাড়াও প্রশিক্ষণের মাধ্যমে এবং কৌশলগুলির তথ্যের মাধ্যমে আমরা তথ্যের সম্ভাব্য প্রবাহ এবং জড়িত তথ্য প্রক্রিয়াকরণ সম্পর্কে আমাদের খুব বিষয়গুলি সম্পর্কে হাইপোথিসিটি নির্মান এবং মূল্যায়ন করতে সহায়তা করে সেগুলি সম্পর্কে বুঝতে পারি।

উদাহরণস্বরূপ, আমি এক দশক আগে যে জিনিসটি মনে করতে পারি তা প্রাকৃতিক কথ্য ভাষা শেখার জন্য একটি সিস্টেমকে প্রশিক্ষণ দিয়েছিল এবং এটি আবিষ্কারটি আবিষ্কার করা হয়েছিল সিস্টেমটি একই রকম সমস্যাগুলি দেখিয়েছিল যা একটি শিশু শেখার শিশুদের অ্যানালগিক আচরণকে পুনরায় সাজিয়ে তোলে ble এমনকি বিভিন্ন ধরণের ভাষা শেখার মধ্যে পার্থক্যও যথেষ্ট ছিল।

সুতরাং এই পদ্ধতির এবং নকশা অধ্যয়ন করে, এই সিদ্ধান্তে পৌঁছেছে যে ভাষা শেখার সময় মানব তথ্য প্রক্রিয়াকরণ ভাষা সম্পর্কিত সমস্যার জন্য প্রশিক্ষণ প্রস্তাবনা এবং চিকিত্সা আঁকার পক্ষে যথেষ্ট, যা মানুষের অসুবিধাগুলি সহায়তা এবং বুঝতে সহায়তা করে এবং আরও দক্ষ চিকিত্সা বিকাশ করতে সহায়তা করে (যা কখনও এটি বাস্তবে বাস্তবে এটি তৈরি করা অন্য প্রশ্ন)।

এক মাস আগে আমি কীভাবে ইঁদুরের মস্তিষ্কের 3 ডি নেভিগেশন এবং স্মরণ রাখার বিষয়ে একটি নিবন্ধ পড়েছিলাম এবং প্রতিটি অনুসন্ধানের জন্য গণনামূলক মডেল তৈরি করে এটি কী ঘটছে তা বোঝার জন্য একটি দুর্দান্ত সহায়তা ছিল। তাই জৈবিক পদ্ধতিতে যা পরিলক্ষিত হয়েছিল তার শূন্যতায় ভরাট কৃত্রিম মডেল।

যখন আমি জানতে পেরেছিলাম যে স্নায়ুবিজ্ঞানীরা এমন একটি ভাষা ব্যবহার করেছিলেন যা কোনও জৈবিক ব্যক্তির চেয়ে সার্কিট, তথ্য প্রবাহ এবং লজিকাল প্রসেসিং ইউনিটের বিষয়ে কথা বলার চেয়ে ইঞ্জিনিয়ারের চেয়ে বেশি একত্রিত হয়েছিল।

সুতরাং আমরা কৃত্রিম স্নায়ুবিক নেটওয়ার্কগুলি থেকে অনেক কিছু শিখছি যেহেতু এটি অনুশীলনীয় খেলার মাঠের সাথে আমাদের উপস্থাপন করে যখন আমরা মস্তিষ্কের আর্কিটেকচারটি কেন এটি কেন আসে এবং কেন বিবর্তন বিকল্প বিকল্পগুলিকে এটিকে অগ্রাধিকার দেয় তা বিবেচনা করার সময় থেকেই আমরা বিধি এবং আশ্বাস পেতে পারি।

এখনও অনেকগুলি ফাঁকা জায়গা রয়েছে তবে যা পড়েছি তা থেকে - আমি সম্প্রতি সিএনএন ইত্যাদিতে প্রবেশ করেছি তবে 2000 এর দশকের গোড়ার দিকে বিশ্ববিদ্যালয়ের সময় কৃত্রিম এআই, ফাজি যুক্তি এবং স্নায়বিক নেটওয়ার্ক ছিল।

সুতরাং আমি এক দশক ধরে মূল্যবান বিকাশ এবং আবিষ্কার করেছি যার ফলস্বরূপ সেই সমস্ত বিজ্ঞানী এবং নিউরাল নেটওয়ার্ক এবং এআই ক্ষেত্রের অনুশীলনকারীদের কৃতজ্ঞতা প্রকাশ করেছি। ভাল মানুষ, সত্যিই ভাল!

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.