اقتصاد دانش بنیان

تلاش‌هایی برای عملی کردن شبکه عصبی مجازی با امکان داشتن خاطرات

کليو ويرينگ (Clive Wearing) يکي از موسيقيدانان معروف بريتانيايي است، اما با خاطره سي ثانيه‌اي‌اش بيشتر شناخته شده است. در دهه هشتاد ميلادي ويرينگ به شکل ناگهاني به ويروس هرپس مبتلا شد. اين ويروس به مغز او آسيب رساند و به اين ترتيب امکان اندوختن خاطرات جديد از او سلب شد. او ممکن است آنچه را که مي‌خورد، قبل از اين‌که به دهانش برسد فراموش کند. وي مي‌کوشد تجربيات زمان حال را با مفاهيم زمان و مکان در يک چارچوب درک کند. زندگي ويرينگ مانند بيدار شدن از کما در هر سي ثانيه است. شبکه عصبي مصنوعي به نوعي با کليو شباهت دارد؛ آن‌ها هم بدون خاطره کار مي‌کنند و تمام آنچه را که آموخته‌اند، در زمان انجام ماموريتي جديد به فراموشي مي‌سپارند. همين پديده سبب مي‌شود تا پيچيدگي عمليات‌هايي که آن‌ها مي‌توانند اجرا کنند داراي محدوديت باشد، زيرا در دنياي واقعي تعداد بي‌شماري از فاکتورها در يک نوسان مستمر در جريان‌اند.

کوک کردن يک ساز

تيمي از پروژه ديپ‌مايند گوگل (DeepMind) يک سيستم پردازشگر هيبريد طراحي کرده‌اند که به آن لقب کامپيوتر داراي سيستم عصبي تغيير‌پذير يا DNC داده‌اند. در اين سيستم شبکه عصبي با يک حافظه خارجي جفت مي‌شود. به اين ترتيب سيستم هيبريد مي‌آموزد چگونه حافظه داشته باشد و براي پاسخ دادن به پرسش‌ها (به عنوان مثال سوالاتي درباره نقشه شبکه‌هاي تاسيساتي زيرزميني شهر لندن يا شجره‌نامه خانوادگي) از آن استفاده کند. محققان پروژه در مقاله‌اي در مجله معتبر نيچر درباره نوآوري خود نوشتند که مانند يک کامپيوتر معمولي اين سيستم مي‌تواند از حافظه‌اش براي عرضه و دستکاري ساختارهاي پيچيده داده بهره ببرد يا مانند يک شبکه عصبي از روي داده‌ها مي‌تواند ياد بگيرد که اين کار را انجام دهد. شبکه‌هاي عصبي با مجموعه‌اي از دستورات از قبل برنامه‌ريزي شده توابع را عملياتي نمي‌کنند، بلکه آن‌ها قوانين منحصر به فرد خود را با کمک شناخت الگو ايجاد مي‌کنند. پژوهشگران مجموعه‌هايي از معادلات آموزشي حل شده را براي اجراي يک فعاليت به خورد يک شبکه عصبي مصنوعي مي‌دهند و تمام داده‌ها از درون لايه‌هاي درهم‌تنيده مراکز به هم متصل عصبي (مراکز پردازش) عبور مي‌کند. همزمان با عبور داده‌هاي آموزشي از بين لايه‌ها يک عمل ساده پردازش که در هر گره عصبي انجام مي‌شود، به صورت اتوماتيک تنظيم مي‌شود و اين کار تا جايي ادامه پيدا مي‌کند تا خروجي با معادله‌هاي آموزشي هماهنگ شود. شايد به زبان ساده‌تر ‌مي‌توان گفت کل پروسه شبيه کوک کردن يک ساز به روش آزمون و خطاست.

با اين روش شبکه عصبي کامپيوتري بر پايه الگوهايي که هيچ‌گاه تشخيص نمي‌دهد، به صورت مستقل داده‌هاي تصاوير را تحليل مي‌کند تا صورت‌ها را در عکس‌ها تشخيص دهد يا زبان‌ها را از يک متن ترجمه کنند. اين شبکه مي‌تواند تا ابد اين فعاليت‌ها را اجرا کند، اما اگر چيز جديدي به او محول شود نياز است ابزار يادگيري براي عمليات جديد در اختيار سيستم قرار گيرد تا خودش را تنظيم کند. با کمک خاطره يک شبکه عصبي همواره مي‌تواند دانش خود را به‌روز نگه دارد و از يادگيري در يک زمينه در جهتي جديد استفاده نمايد. بر پايه اعلام محققان ديپ‌مايند، شبکه‌هاي عصبي رايانه‌اي در شناخت الگويي و فرايند تصميم‌گيري عالي و سريع هستند، اما ما تازه در ابتداي ساخت شبکه‌هايي هستيم که قادرند به آرامي و به‌مرور بينديشند؛ اين استفاده از منطق يا دانش براي حل مسائل است. محققان نقشه‌هاي تاسيسات زيرزميني لندن را به سيستم ارائه کردند و شبکه عصبي توانست الگوهايي بين مکان ايستگاه‌ها و راه‌هايي که آن‌ها را به يکديگر متصل مي‌کند، بيابد. سپس اين موارد را در حافظه خود ثبت کرد يا به عبارت ديگر سيستم دانش‌آموخته خود را به درون ماتريکس حافظه تزريق نمود و يک تصوير ساده سمبوليک از زيرزمين شهر لندن به حافظه سپرد. آنچه اهميت دارد اين است که شبکه عصبي تمامي اين موارد را بدون دستورات برنامه‌‌ريزي شده انجام داد. سيستم براي اتصال و رسم ارتباطات بين ايستگاه‌ها نيازمند کمک بود و در غير اين صورت با دو ميليون بار آموزش تنها در 37 درصد موارد موفق به درک ارتباط بين ايستگاه به صورت صحيح مي‌شد. شبکه داراي خاطره با يک ميليون بار آموزش در 8/98 درصد موارد راه بهتر را براي اتصال ايستگاه‌ها مي‌يافت. فرايند مشابهي را مي‌توان براي اتصال شجره‌نامه خانوادگي به کار برد؛ پژوهشگران به شبکه آموزش‌هايي درباره ارتباطات والدين، فرزندان و خواهرها و برادر‌ها ارائه مي‌دادند. سپس سيستم اين پارامترهاي پايه‌اي را در حافظه‌اش به خاطر مي‌سپرد که اجازه مي‌داد به پرسش‌هاي پيچيده مثل يافتن عموي بزرگ مادري يک فرد خاص در شجره‌نامه با مراجعه به حافظه ثبت شده پاسخ صحيح دهد. الگوريتم‌هايي که توسط محققان هوش مصنوعي در دهه هفتاد ميلادي نوشته مي‌شد، مي‌توانست مسائل مشابهي را حل کند و متدهاي يادگيري ريشه‌اي در آن الگوريتم‌ها در مقايسه با DNC قوي‌تر بود. نکته درخشان اين پژوهش که سبب تمايز آن از مطالعات مشابه مي‌شود، امکان استفاده از خاطره و خوديادگيري و تحليل داده‌ها توسط کامپيوتر است؛ هر چند کاربردهاي اين روش هنوز محدود‌ند.

پدرو دومينگوس استاد علوم کامپيوتر در دانشگاه واشنگتن و نويسنده کتاب الگوريتم برتر مي‌گويد: «تکنولوژي‌هاي ديگر يادگيري ماشين و الگوريتم‌هاي آموزش سمبوليک وجود دارند که براي حل مسائل مشابه مناسب‌تر به نظر مي‌رسند. بايد تاکيد شود که شبکه‌هاي عصبي رايانه‌اي در ابتداي راه هستند. بنابراين تحقيقات در اين زمينه ضروري است و ممکن است با نتايج عملي حداقل در حال حاضر همراه نباشد. دانش در اين زمينه بسيار فرار و چالش‌برانگيز است.» محققان اين پروژه در مقاله خود توضيح مي‌دهند که شباهت‌هاي موازي جالبي بين مکانيسم‌هاي خاطره DNC و قابليت‌هاي عملي هيپوتالاموس مغز پستانداران موجود است. بدون برنامه‌ريزي قبلي، سيستم مي‌تواند داده‌ها را به صورت واقعيت‌هايي با امکان به يادآوردن روي هم جمع کند و از بين آن‌ها تعدادي را براي حل مسائل پيچيده بيرون بکشد و نيازي نيست براي هر عمليات جديد سيستم جديدي بسازد. اين مشابه فعاليت مغز نوزاد در ده تا دوازده ماهگي است. در رفتار نوزاد ده ماهه يا جوان‌تر نوعي خطاي کلاسيک وجود دارد؛ زماني که براي ده مرتبه يک اسباب‌بازي در جعبه شماره الف قرار داده شود، او ياد مي‌گيرد به سراغ آن جعبه برود، حتي اگر در جلوي چشمانش اسباب‌بازي مورد علاقه او را کمي آن‌طرف‌تر در جعبه ب قرار دهند. دليل اين اشتباه اجراي يک الگوي يادگرفته است. اگر همين آزمايش با يک کودک يک ساله تکرار شود، نتيجه متفاوت است، زيرا بچه يک ‌ساله داراي ارتباطات بيشتري در خاطره خود و آنچه مشاهده مي‌کند است. کودک يک ساله از منطق سمبوليک بهره مي‌برد. اين‌که مغز آدمي چگونه سمبل‌هايي از دنيا و آنچه مي‌بيند به کمک پالس‌هاي الکتريکي در بافت مغز به ذهن مي‌سپارد، هنوز به صورت روشن مشخص نيست، اما محققان سيستم DNC معتقدند نوعي فرم ابتدايي از اين فرايند را يافته‌اند. آن‌ها در بلاگ رسمي پژوهش ديپ‌مايند توضيح مي‌دهند: «پرسش درباره چگونگي کارکرد خاطرات مغز ريشه‌اي باستاني دارد و بحث درباره آن هنوز در جريان است. اميدوار هستيم که پژوهش‌ها با DNC علاوه بر افزودن بر دانش علوم کامپيوتر پايه‌اي براي درک بهتر تشخيص مغز و علوم عصب‌شناسي باشد. در اين‌جا ما سيستمي داريم که بدون يادگيري قبلي مي‌آموزد چگونه داده‌ها را به واقعيت‌هايي مرتبط سازد و از آن‌ها براي حل مسائل بهره گيرد. البته بهتر است زياد هيجان‌زده نشويم، زيرا با وجود تمام اين پژوهش‌ها هنوز نمي‌دانيم مغز دقيقا چگونه کار مي‌کند. هر چقدر هم بين سيستم‌هاي يارانه‌اي و کارکرد مغز مشابه‌سازي انجام دهيم، باز هم نقاط اشتراکي پس از دوره‌اي يا از جايي از يکديگر فاصله مي‌گيرند.»

هنوز راه زيادي در پيش است

براي داشتن يک ايده از پيچيدگي کار، اکتساب دانش درباره نقشه تاسيسات زيرزميني شهر لندن يا شجره‌نامه خانوادگي به يک ماتريکس با 512 مکان نيازمند است. براي کنار آمدن با سيل ديناميک اطلاعات درباره جهان مانند آنچه يک نوزاد انجام مي‌دهد، اگر کمي خوشبين‌تر باشيم، به ماتريکس حافظه‌اي با بيش از هزاران جايگاه (اگر ميليون‌ها را به کار نبريم!) احتياج خواهيم داشت. ما هنوز دقيقا نمي‌دانيم مغز چطور اين کار را مي‌کند و آنچه را که مي‌دانيم بر پايه فرضيات و حدسيات است. جي مک‌کلند مدير پروژه پردازش مغز و ذهن دانشگاه استندفورد مي‌گويد: «هنوز راه بسيار طولاني در پيش است تا به صورت کامل درک کنيم مغز انسان با چه الگوريتم‌هايي داده‌ها را پروسه مي‌سازد. آنچه محققان ديپ‌مايند انجام داده‌اند بسيار ابتدايي است و شبکه‌هاي عصبي هيبريد در نهايت مي‌توانند رشد بسيار بيشتري بيابند و کارهاي بسيار پيچيده‌تر مانند اعلام نظرشان درباره يک کليپ ويدئويي را انجام دهند، زيرا اين کارها را آدمي در بسياري از شرايط انجام مي‌دهد و اگر ما بتوانيم از پس چنين فعاليت‌هايي برآييم کامپيوترها هم خواهند توانست. سيستم DNC براي يک عمليات ساده و کوچک هنوز نيازمند ميليون‌ها مثال و يادگيري است. در حال حاضر روشن نيست امکان استفاده عملي از اين سيستم وجود دارد يا خير. همچنين نمي‌دانيم آيا الگوريتم‌هاي يادگيري ريشه‌اي بهبود مي‌يابند؟ در واقع DNC روش هوشمند ديگري براي يافت راه‌حل بين راه‌حل‌هاي هوشمندانه موجود است. به هرحال پژوهش‌هاي اين‌چنيني براي گذر به آينده دنياي کامپيوتر‌هاي فوق هوشمند ضروري‌اند.»w

منبع: مجله دانش بنیان