一项新研究发现，当人工智能选择多样性而不是缺乏多样性时，它会表现得更好，因为它有能力向内看并微调自己的神经网络。由此产生的各种神经网络在解决复杂任务方面特别有效。

北卡罗来纳州立大学物理学教授、北卡罗来纳州立大学非线性人工智能实验室(NAIL)主任、该研究的共同通讯作者威廉·迪托说:“我们用一种非人类智能——人工智能(AI)创建了一个测试系统，看看人工智能是否会选择多样性而不是缺乏多样性，以及它的选择是否会提高人工智能的表现。”“关键是让人工智能能够向内看，并了解它是如何学习的。”

神经网络是一种先进的人工智能，大致基于我们大脑的工作方式。我们的天然神经元根据它们的连接强度交换电脉冲。人工神经网络通过在训练过程中调整数值权重和偏差来创建类似的强连接。例如，可以训练神经网络通过筛选大量照片来识别狗的照片，猜测照片是否是狗，看看它离现实有多远，然后调整它的权重和偏差，直到它们更接近现实。

传统的人工智能使用神经网络来解决问题，但这些网络通常由大量相同的人工神经元组成。这些相同神经元之间连接的数量和强度可能会随着学习而改变，但一旦网络被优化，这些静态神经元就是网络。

另一方面，Ditto的团队赋予其人工智能选择神经网络中神经元之间的数量、形状和连接强度的能力，在学习过程中创建不同神经元类型和网络内连接强度的子网络。

“我们真正的大脑有不止一种类型的神经元，”迪托说。“因此，我们赋予人工智能向内看的能力，并决定是否需要修改其神经网络的组成。本质上，我们给了它控制自己大脑的旋钮。所以它可以解决这个问题，看看结果，改变人工神经元的类型和混合，直到找到最有利的一个。这是人工智能的元学习。

迪托说:“我们的人工智能还可以在不同或同质的神经元之间做出选择。”“我们发现，在每种情况下，人工智能都选择多样性作为加强其表现的一种方式。”

研究小组通过要求人工智能执行一个标准的数字分类练习来测试它的准确性，发现它的准确性随着神经元数量和神经元多样性的增加而增加。一个标准的、同质的人工智能识别数字的准确率为57%，而元学习的、多样化的人工智能能够达到70%的准确率。

根据Ditto的说法，在解决更复杂的问题(如预测钟摆的摆动或星系的运动)时，基于多样性的人工智能的准确性是传统人工智能的10倍。

迪托说:“我们已经证明，如果你赋予人工智能向内看并学习如何学习的能力，它将改变其内部结构——人工神经元的结构——以拥抱多样性，提高其学习和更有效、更准确地解决问题的能力。”“事实上，我们还观察到，当问题变得更加复杂和混乱时，性能比不支持多样性的人工智能提高得更快。”

这项研究发表在《科学报告》上，并得到了海军研究办公室(资助N00014-16-1-3066)和联合治疗公司的支持。约翰·林德纳(John Lindner)是伍斯特学院(College of Wooster)物理学荣誉退休教授，也是NAIL的客座教授，是本文的共同通讯作者。前北卡州立大学研究生Anshul Choudhary是第一作者。北卡州立大学的研究生Anil Radhakrishnan和印度科学教育与研究所Mohali的物理学教授Sudeshna Sinha也参与了这项工作。

作者：北卡罗莱纳州立大学

链接：https://www.sciencedaily.com/releases/2023/08/230831142820.htm

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：15264513609，邮箱：1027830374@qq.com