بررسی نحوه خودسازمان‌دهی شبکه‌های عصبی مصنوعی و شباهت آن‌ها به یادگیری مغز
پژوهشگران ام‌آی‌تی در مطالعه جدیدی استدلال می‌کنند که توانایی خودسازمان‌دهی در شبکه‌های عصبی مصنوعی، شاخص کلیدی برای بررسی شباهت آن‌ها با سیستم یادگیری مغز انسان است. این تحقیق نشان می‌دهد که واحدهای تصادفی با قوانین ساده می‌توانند به شبکه‌های پردازش اطلاعات کارآمد تبدیل شوند.
شبکه‌های عصبی مصنوعی می‌توانند کارهای پیچیده‌ای مانند تشخیص تصویر و پردازش زبان را انجام دهند و همانند مدارهای مغز، اتصالات خود را در طول یادگیری تنظیم کنند. دانشمندان علوم اعصاب در مرکز ICoN ام‌آی‌تی در مقاله جدیدی در نشریه PNAS بررسی کرده‌اند که چه نوع مدل‌هایی می‌توانند بینش بهتری درباره نحوه یادگیری مغز ارائه دهند.
محققان نشان دادند که یک شبکه عصبی متشکل از واحدهای تصادفی به هم پیوسته می‌تواند با استفاده از قوانین ساده خودسازمان‌دهی، الگوها را تشخیص دهد و داده‌ها را طبقه‌بندی کند. این مدل از قوانینی مشابه مغز انسان بهره می‌برد که در آن نورون‌های فعال‌شونده هم‌زمان، اتصال قوی‌تری برقرار می‌کنند. درک این مکانیسم‌های خودسازمان‌دهی می‌تواند به پیشرفت هم‌زمان هوش مصنوعی و علوم اعصاب کمک کند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.