近日，MIT計算機科學與人工智能實驗室(CSAIL)的研究人員開發出一種新形態神經網絡，它在訓練階段結束後，還可以在工作中繼續學習。這些被稱為"液體"網絡的靈活算法，會改變其底層方程，以不斷適應新的數據輸入。這一進展可以幫助基於隨時間變化的數據流進行決策。在涉及醫療診斷和自動駕駛的領域也可改善算法的決策。
該研究將在馬上舉行的AAAI人工智能會議(2月2日-2月9日)上公開。除了麻省理工學院計算機科學與人工智能實驗室(CSAIL)的博士後Hasani之外，麻省理工學院的共同作者還包括CSAIL主任、Andrew and Erna Viterbi電氣工程和計算機科學教授Daniela Rus和博士生Alexander Amini。其他合著者包括奧地利科學技術研究所的Mathias Lechner和維也納理工大學的Radu Grosu。
研究設計了一個神經網絡，可以適應現實世界系統的可變性。神經網絡是一種通過分析一組"訓練"實例來識別模式的算法。它們經常被説成是在模仿大腦的處理路徑—Hasani的靈感來源於一種微小的微觀線蟲C. elegans。它的神經系統中只有302個神經元，但它卻能產生意想不到的複雜動態。
該代碼受到C. elegans的神經元通過電脈衝激活和相互溝通的方式的音響，獲得了其靈活性。相對比大多數神經網絡的行為在訓練階段後都是固定的，"液體"網絡的流動性使其對意外或嘈雜的數據更具彈性，比如遮擋了自動駕駛汽車上攝像頭的視野的突發大雨。由此帶來更強的可解釋性，使得模型本身的表現力更加豐富，有助於工程師理解和改進液體網絡的性能。在測試中，該網絡在預測數據集的未來值方面表現得很有希望，從大氣化學到交通模式。
Hasani計劃不斷改進該系統，併為現實應用做好準備。"我們有一個可以證明的更有表現力的神經網絡，它的靈感來自於自然。但這只是這個過程的開始，"他説。"接下來的問題是如何運用這一點。我們認為這種網絡可能是未來智能系統的關鍵元素。"
編譯/前瞻經濟學人APP資訊組
參考信息:
[1] https://news.mit.edu/2021/machine-learning-adapts-0128
[2]https://thenextweb.com/neural/2021/01/29/mits-new-liquid-neural-network-learns-on-the-job-so-robots-can-adapt-to-changing-conditions/