Hasani und seine Mitarbeiter suchen nach Möglichkeiten, flüssige semantische Netzwerke zu verbessern. „In diesem Artikel ging es um eine einfache und sehr regulierte Form der Denkfähigkeit, doch die Kommunikation in der realen Welt erfordert immer mehr innovative Denkfragen“, sagt er. Die Gruppe möchte komplexere Aufgaben entwickeln und flüssige semantische Netzwerke bis zu ihrem Limit testen und gleichzeitig herausfinden, warum flüssige semantische Netzwerke bei Denktests weitaus besser abschneiden als ihre Konkurrenten.
Die Wissenschaftler glauben jedoch, dass fließende semantische Netzwerke noch weiter gehen und die Zukunft der Entscheidungsfindung in Bezug auf jede Art der Verarbeitung von Zeiterfassungsdaten, einschließlich Video- und Sprachverarbeitung, sein werden. Sie können sowohl klinische als auch wirtschaftliche Ereignisse vorhersehen, da es sich bei flüssigen neuronalen Netzen um serielle Datenverarbeitungsmaschinen handelt. Durch die Verfeinerung wesentlicher Indikatoren können beispielsweise Konzepte entwickelt werden, um den Zustand eines Klienten auf der Intensivstation vorherzusagen.
Fluid Neural Networks|Ramin Hasani|TEDxMITyoutu.be
Als Trainingsinformationen für die semantischen Netzwerke, die die Drohne steuern würden, nutzten die Wissenschaftler Drohnenvideoaufnahmen, die von einem menschlichen Piloten gesammelt wurden, der auf ein Ziel zufliegt. „Man geht davon aus, dass das System tatsächlich herausgefunden hat, sich in die Richtung des Gegenstands zu bewegen“, sagt Hasani, ohne genau angegeben zu haben, um welchen Gegenstand es sich handelt, oder irgendeinen Hinweis auf die Atmosphäre gegeben zu haben. „Die Drohne muss davon ausgehen, dass die Aufgabe folgende ist: Ich beabsichtige, mich in Richtung [des Objekts] zu bewegen.“
Das Team führte eine Reihe von Experimenten durch, um genau zu überprüfen, wie sich die Navigationsfähigkeiten der Forscher auf völlig neue, noch nie dagewesene Umgebungen auswirkten. Sie bewerteten das System in vielen realen Umgebungen, darunter zu verschiedenen Zeiten in einem Waldgebiet und in einer Stadtumgebung. Die Drohnen führten verschiedene Tests sowie Herz-Kreislauf-Tests durch, und die Ziele wurden gedreht, verdeckt, aufgestellt und vieles mehr. Fluide semantische Netzwerke waren die einzigen, die ohne Feinabstimmung auf Situationen verallgemeinern konnten, die sie noch nie gesehen hatten, und diese Aufgabe fehlerfrei und zuverlässig erledigen konnten.
„Wir können auf einem Raspberry Pi ein flüssiges semantisches Netzwerk realisieren, das ein Fahrzeug antreiben kann.“ – Ramin Hasani, CSAIL des MIT
Aus Ihren Website-Artikeln
Die Anwendung fließender semantischer Netzwerke in der Robotik kann zu noch langlebigeren selbstverwalteten Navigationssystemen führen, sowohl für die Suche als auch für die Rettung, die Verfolgung von Wildtieren und die Verteilung, um nur einige Punkte zu nennen. Laut Hasani wird ein intelligenter Rollstuhl vor allem dann von entscheidender Bedeutung sein, wenn die Städte immer dichter werden, und die winzige Größe dieses neuronalen Internets kann einen erheblichen Vorteil darstellen: „Wir können ein flüssiges semantisches Netzwerk aufbauen, das ein Fahrzeug antreiben kann.“ ein Raspberry Pi.“
Semantische Netzwerke in gängigen maschinellen Lernsystemen finden während des gesamten Trainingsvorgangs Anwendung. Anschließend werden ihre Kriterien repariert. Fluide semantische Netzwerke, beschreibt Ramin Hasani, einer der CSAIL-Forscher, einen Prozess von Expertensystemsystemen, die bei der Arbeit, auch nach ihrer Ausbildung, entdecken. Einfach ausgedrückt verwenden sie „flüssige“ Formeln, die sich ständig an brandneue Informationen anpassen, beispielsweise an eine brandneue Atmosphäre, ähnlich dem Gehirn lebender Mikroorganismen. „Sie sind genau nachgeahmt, wie Synapsen und Nervenzellen im menschlichen Gehirn miteinander verbunden sind“, sagt Hasani. Ihr Netzwerkdesign wird durch das Angstsystem lebender Tiere namens C. elegans beeinflusst, kleine Würmer, die man normalerweise im Dreck findet.
Hasani beschreibt in diesem Videoclip fließende semantische Netzwerke:
In der Welt der Expertensysteme wird erwartet, dass größer viel besser ist. Semantische Netzwerke mit Milliarden von Kriterien bilden die Grundlage alltäglicher KI-basierter Systeme wie ChatGPT und Dall-E, und jedes neue Big Language Design (LLM) steht seinen Vorgängern sowohl in der Dimension als auch in der Komplexität hinterher. Im Computer Science Research and Artificial Knowledge Lab (CSAIL) des MIT hat ein Team von Wissenschaftlern daran gearbeitet, sich zu verkleinern.
In einer aktuellen Forschungsstudie zeigten sie die Leistung eines brandneuen Typs eines extrem kleinen – 20.000 Spezifikationen umfassenden – maschinellen Lernsystems, das als „Fluid Semantic Network“ bezeichnet wird. Sie zeigten, dass mit diesen ausgestatteten Drohnen das Durchsuchen komplizierter, neuer Umgebungen mit Genauigkeit gemeistert wird und dass auch moderne Systeme überwunden werden. Die Systeme konnten wählen, was sie zu einem Ziel in ehemals unberührten Wäldern und Stadträumen führte, und sie konnten dies auch bei vorhandenem Schall und anderen Problemen tun.
Über ihre zahlreichen anderen Vorteile hinaus bieten flüssige semantische Netzwerke auch Erklärbarkeit und Interpretierbarkeit. Vereinfacht gesagt öffnen sie die typische Blackbox des Entscheidungsprozesses des Systems. „Wenn ich nur 34 Nervenzellen [im Drohnensystem] habe, kann ich im Wesentlichen herausfinden, was die Besonderheit jedes einzelnen Aspekts ist“, sagt Hasani. Das wäre in einem großen, tiefen semantischen Netzwerk sicherlich praktisch schwierig. Die kleinere Dimension des flüssigen neuronalen Internets senkt außerdem den Rechenaufwand und damit die CO2-Auswirkungen von Designs für maschinelles Lernen erheblich.
Das Ziel dieses Experiments sei nicht nur die dauerhafte selbstgesteuerte Steuerung einer Drohne gewesen, behauptet Hasani. „Es ging darum, die Fähigkeiten semantischer Netzwerke zum Aufgabenverständnis zu bewerten, wenn sie in unserer Kultur als selbstverwaltete Systeme eingeführt werden.“
Relevante Artikel rund um das Internet