Metoda pod imenom Topographical Sparse Mapping povećava učinkovitost rada i učenja na sličan način kako to radi mozak, a primjenjiva je, kažu iz Sveučilišta u Surreyju, i na neuromorfna računala, sustave koji po strukturi i načinu rada imitiraju ljudski mozak
Istraživači sa Sveučilišta u Surreyu razvili su novi pristup koji poboljšava rad umjetne inteligencije oponašajući način na koji je povezan ljudski mozak.
Prema studiji objavljenoj u časopisu Neurocomputing, oponašanje neuronskog povezivanja mozga može znatno unaprijediti performanse umjetnih neuronskih mreža koje se koriste u generativnoj umjetnoj inteligenciji i drugim suvremenim modelima poput ChatGPT-a.
vezane vijesti
Model nazvan Topographical Sparse Mapping povezuje svaki neuron samo s obližnjim ili funkcionalno povezanim neuronima, slično kao što ljudski mozak organizira informacije na učinkovit način. Voditelj istraživanja dr. Roman Bauer, viši predavač na Sveučilištu u Surreyu, izjavio je: 'Naš rad pokazuje da se inteligentni sustavi mogu graditi znatno učinkovitije, uz manju potrošnju energije i bez gubitka na performansama.'
Dr. Bauer je upozorio da treniranje mnogih današnjih velikih AI modela može zahtijevati više od milijun kilovatsati električne energije, što smatra neodrživim s obzirom na brzinu kojom raste primjena umjetne inteligencije. Napredna verzija ove metode ide korak dalje te uključuje biologijom nadahnut proces 'rezanja' (pruning) nepotrebnih veza unutar modela tijekom učenja, smanjujući vrijeme treninga i isporuke rezultata učinkovitijom primjenom dostupnih resursa.
Tim također istražuje mogućnost primjene ovog pristupa u razvoju neuromorfnih računala, tehnologije koja oponaša strukturu i način rada ljudskog mozga kako bi se postigla veća učinkovitost i realizam u računalnim sustavima, piše BBC.
