La physique peut aider à relever les principaux défis de l’intelligence artificielle –
Français
Les recherches et applications actuelles dans le domaine de l’intelligence artificielle (IA) comportent plusieurs défis majeurs. Celles-ci comprennent: (a) Estimation a priori de la taille de l’ensemble de données requise pour obtenir une précision de test souhaitée. Par exemple, combien de chiffres manuscrits une machine doit-elle apprendre avant de pouvoir en prédire une nouvelle avec un taux de réussite de 99%? De même, combien de types de circonstances spécifiques un véhicule autonome doit-il apprendre avant que sa réaction n’entraîne un accident? (b) La réalisation d’une prise de décision fiable sous un nombre limité d’exemples, où chaque exemple ne peut être formé qu’une seule fois, c’est-à-dire observé seulement pendant une courte période. Ce type de réalisation de prise de décision rapide en ligne est représentatif de nombreux aspects de l’activité humaine, du contrôle robotique et de l’optimisation du réseau.
Dans un article publié aujourd’hui dans la revue Rapports scientifiques, les chercheurs montrent comment ces deux défis sont résolus en adoptant un concept physique qui a été introduit il y a un siècle pour décrire la formation d’un aimant lors d’un processus de refroidissement en vrac de fer.
En utilisant une procédure d’optimisation minutieuse et des simulations exhaustives, un groupe de scientifiques de l’Université de Bar-Ilan a démontré l’utilité du concept physique de la loi de puissance à l’échelle de l’apprentissage en profondeur. Ce concept central de la physique, qui découle de divers phénomènes, y compris le moment et l’ampleur des tremblements de terre, la topologie Internet et les réseaux sociaux, les fluctuations des cours boursiers, les fréquences des mots en linguistique et les amplitudes des signaux dans l’activité cérébrale, s’est également avéré applicable dans le domaine sans cesse croissant de l’IA, et en particulier le deep learning.
“Les erreurs de test avec l’apprentissage en ligne, où chaque exemple n’est formé qu’une seule fois, sont en accord étroit avec des algorithmes de pointe comprenant un très grand nombre d’époques, où chaque exemple est entraîné plusieurs fois. Ce résultat a un important implication sur la prise de décision rapide comme le contrôle robotique », a déclaré le professeur Ido Kanter, du département de physique de Bar-Ilan et le centre multidisciplinaire de recherche sur le cerveau de Gonda (Goldshmied), qui a dirigé la recherche. “La mise à l’échelle de la loi de puissance, régissant différentes règles dynamiques et architectures de réseau, permet la classification et la création de hiérarchie entre les différents problèmes de classification ou de décision examinés”, a-t-il ajouté.
«L’un des ingrédients importants de l’algorithme avancé d’apprentissage en profondeur est le nouveau pont récent entre les neurosciences expérimentales et les algorithmes d’apprentissage avancés de l’intelligence artificielle», a déclaré Shira Sardi, étudiante au doctorat, co-auteur de l’étude. Notre nouveau type d’expériences sur les cultures neuronales indique qu’une augmentation de la fréquence d’entraînement nous permet d’accélérer considérablement le processus d’adaptation neuronale. «Ce mécanisme accéléré inspiré du cerveau permet de créer des algorithmes avancés d’apprentissage en profondeur qui surpassent ceux existants», a déclaré Yuval Meir, un autre co-auteur, doctorant.
Le pont reconstruit entre la physique et les neurosciences expérimentales et l’apprentissage automatique devrait faire progresser l’intelligence artificielle et en particulier la prise de décision ultrarapide dans le cadre d’exemples de formation limités, afin de contribuer à la formation d’un cadre théorique du domaine de l’apprentissage profond.
Source de l’histoire:
Matériaux fourni par Université Bar-Ilan. Remarque: le contenu peut être modifié pour le style et la longueur.
