211service.com
Bättre hjärnavbildning kan visa datorer ett smartare sätt att lära sig
Maskininlärning är en extremt smart metod för datorprogrammering. Istället för att noggrant behöva skriva ut instruktioner för en viss uppgift, matar du bara in miljontals exempel i en mycket kraftfull dator och låter den i princip skriva själva programmet.
Många av de prylar och onlinetjänster vi tar för givna idag, som webbsökning, röstigenkänning och bildtaggning, använder sig av någon form av maskininlärning. Och företag som har massor av användardata (Google, Facebook, Apple, Walmart, etc.) är bra placerade för att ta denna trend till rikedomar.
En ny 12 miljoner dollar projekt vid Carnegie Mellon University skulle kunna göra maskininlärning ännu mer kraftfull genom att upptäcka sätt att lära ut datorer mer effektivt samtidigt som man använder mycket mindre data.
Den femåriga ansträngningen kommer att använda en ny teknik, kallad 2-foton kalciummikroskopi, för att studera hur visuell information bearbetas i hjärnan . Finansieringen kommer genom president Obamas BRAIN Initiative , och det är ett bra exempel på en av de kortsiktiga fördelarna som kraftfulla nya hjärnavbildningstekniker kan ha.
Många av de bästa maskininlärningsalgoritmerna är faktiskt redan löst baserade på hjärnans funktion . Men dessa är otroligt grova och står inte för några enkla egenskaper hos biologiska nätverk.
Sandra Kuhlman, professor vid CMU, använde fluorescerande avbildning för att fånga individuella hjärnceller (identifierade med pilar).
Kraftfulla som de är, är [dessa algoritmer] inte alls lika effektiva eller kraftfulla som de som används av den mänskliga hjärnan, sa Tai Sing Lee , professor i datavetenskap vid CMU som leder arbetet. Till exempel, för att lära sig känna igen ett föremål, kan en dator behöva visas tusentals märkta exempel och läras ut på ett övervakat sätt, medan en person bara skulle behöva en handfull och kanske inte behöver övervakning.
Lee kommer att samarbeta med Sandra Kuhlman, professor i biologiska vetenskaper, också vid CMU, och Alan Yuille, professor i kognitiv vetenskap vid Johns Hopkins University.
Det är inte bara neurovetenskap som kan hjälpa oss att utveckla bättre metoder för maskininlärning. Vissa kognitionsforskare hämtar inspiration från psykologiobservationer för att bygga smarta nya inlärningssystem.