Sebuah model baru yang dikembangkan oleh peneliti Flatiron Institute mengusulkan bahwa neuron biologis memiliki kontrol lebih besar terhadap lingkungannya daripada yang diperkirakan sebelumnya, sesuatu yang dapat direplikasi dalam jaringan saraf tiruan yang digunakan dalam pembelajaran mesin.
Sebuah model baru dari Pusat Ilmu Saraf Komputasi di Institut Flatiron mengusulkan bahwa neuron individu merupakan pengendali jaringan yang lebih berpengaruh daripada yang diperkirakan sebelumnya, sehingga menantang model lama pada tahun 1960an.
Pemahaman tingkat lanjut ini dapat secara signifikan meningkatkan fungsi jaringan saraf tiruan dengan mengintegrasikan mekanisme yang mirip dengan otak manusia, mengatasi keterbatasan AI saat ini seperti kesalahan dan proses pelatihan yang tidak efisien.
Model AI dan Neuronal Modern
Hampir semua jaringan saraf modern didukung kecerdasan buatan alat seperti ChatGPT didasarkan pada model komputasi neuron hidup era 1960-an. Sebuah model baru yang dikembangkan di Center for Computational Neuroscience (CCN) di Flatiron Institute menunjukkan bahwa perkiraan berusia puluhan tahun ini tidak mencakup semua kemampuan komputasi yang dimiliki neuron sebenarnya dan bahwa model lama ini berpotensi menghambat pengembangan AI.
Ilustrasi seniman tentang tangan digital dan tangan manusia yang digambar bersama. Kredit: Alex Eben Meyer untuk Simons Foundation
Merevolusi AI dengan Model Neuronal Tingkat Lanjut
Model-model baru yang dikembangkan di CCN berpendapat bahwa neuron individu mempunyai kendali yang lebih besar terhadap lingkungannya daripada yang diperkirakan sebelumnya. Model neuron yang diperbarui pada akhirnya dapat menghasilkan jaringan saraf tiruan yang lebih kuat dan lebih mampu menangkap kekuatan otak kita, kata para pengembang model. Para peneliti mempresentasikan model revolusioner dalam sebuah makalah yang diterbitkan pada minggu 24 Juni di jurnal tersebut Prosiding Akademi Ilmu Pengetahuan Nasional.
“Ilmu saraf telah berkembang pesat dalam 60 tahun terakhir, dan kami sekarang menyadari bahwa model neuron sebelumnya masih belum sempurna,” kata Dmitri Chklovskii, pemimpin kelompok di CCN dan penulis senior makalah baru ini. “Neuron adalah perangkat yang jauh lebih kompleks – dan lebih cerdas – dibandingkan dengan model yang disederhanakan ini.”
Mekanisme Fungsional Jaringan Syaraf Tiruan
Jaringan saraf tiruan bertujuan untuk meniru cara otak manusia memproses informasi dan mengambil keputusan, meskipun dengan cara yang lebih sederhana. Jaringan ini dibangun dari lapisan 'node' yang disusun berdasarkan model neuron tahun 1960-an. Jaringan dimulai dengan lapisan masukan dari simpul-simpul yang menerima informasi, kemudian mempunyai simpul-simpul lapisan tengah yang memproses informasi, dan kemudian diakhiri dengan simpul-simpul lapisan keluaran yang mengirimkan hasilnya.
Biasanya, sebuah node hanya akan meneruskan informasi ke lapisan berikutnya jika total input yang diterimanya dari node lapisan sebelumnya melebihi ambang batas tertentu. Ketika jaringan saraf tiruan saat ini dilatih, informasi melewati sebuah node hanya dalam satu arah, dan tidak ada cara bagi node untuk mempengaruhi informasi yang mereka terima dari node di awal rantai.
Sebaliknya, model yang baru diterbitkan memperlakukan neuron sebagai 'pengendali' kecil, sebuah istilah teknik untuk perangkat yang dapat mempengaruhi lingkungan sekitar berdasarkan informasi yang dikumpulkan tentang lingkungan tersebut. Tak sekadar menyampaikan masukan secara pasif, sel-sel otak kita ternyata bisa bekerja mengontrol kondisi sesama neuronnya.
Implikasi dan Manfaat Model Neuron-As-Controller
Chklovskii percaya bahwa model neuron-sebagai-pengontrol yang lebih realistis ini dapat menjadi langkah signifikan menuju peningkatan kinerja dan efisiensi banyak sistem. pembelajaran mesin aplikasi.
“Meskipun pencapaian AI mengesankan, masih banyak permasalahannya,” ujarnya. “Aplikasi saat ini dapat memberi Anda jawaban yang salah, atau membuat Anda berhalusinasi, dan mempraktikkannya membutuhkan banyak energi; harganya sangat mahal. Ada semua masalah yang tampaknya dihindari oleh otak manusia. Jika kita memahami bagaimana sebenarnya otak melakukan hal ini, kita dapat membangun AI yang lebih baik.”
Arah dan Eksplorasi Masa Depan dalam Kontrol Neuronal
Model neuron sebagai pengontrol terinspirasi oleh pemahaman ilmuwan tentang sirkuit berskala besar di otak yang terdiri dari banyak neuron. Sebagian besar sirkuit otak diperkirakan diatur dalam putaran umpan balik, di mana sel-sel di akhir rantai pemrosesan memengaruhi apa yang terjadi sebelumnya dalam rantai tersebut. Sama seperti termostat yang menjaga suhu rumah atau gedung, sirkuit otak perlu menjaga stabilitas agar tidak membebani sistem tubuh dengan aktivitas.
Chklovskii mengatakan tidak sepenuhnya intuitif bahwa kontrol umpan balik semacam ini juga dapat diwujudkan oleh sel-sel otak individu. Dia dan rekan-rekannya menyadari bahwa bentuk kendali baru, yang dikenal sebagai kendali berbasis data langsung, cukup mudah dan efisien untuk masuk akal secara biologis jika hal itu terjadi pada sel individu.
“Orang-orang menganggap otak sebagai keseluruhan atau bahkan bagian otak sebagai pengendali, namun tidak ada yang berpikir bahwa satu neuron pun dapat melakukan hal itu,” kata Chklovskii. “Pengendalian adalah tugas komputasi yang intensif. Sulit membayangkan neuron memiliki kapasitas komputasi yang memadai.”
Meningkatkan Pemahaman Melalui Kebisingan Biologis
Melihat neuron sebagai pengontrol mini juga menjelaskan beberapa fenomena biologis yang sebelumnya tidak dapat dijelaskan, kata Chklovskii. Misalnya, sudah lama diketahui bahwa terdapat banyak kebisingan di otak, dan tujuan keacakan biologis ini masih diperdebatkan, namun tim CCN menemukan melalui pemodelan mereka bahwa jenis kebisingan tertentu sebenarnya dapat meningkatkan kinerja neuron.
Lebih khusus lagi, pada persimpangan di mana satu neuron terhubung ke yang lain (disebut 'sinaps'), sering kali terdapat kejadian di mana sebuah neuron mentransmisikan sinyal listrik namun neuron yang digabungkan di hilir tidak menerima pesan tersebut. Apakah dan kapan neuron hilir menerima sinyal sinaptik tampaknya sebagian besar ditentukan secara kebetulan. Sementara ilmuwan lain berspekulasi bahwa keacakan seperti itu hanyalah properti dari sistem biologis kecil dan tidak penting bagi perilaku neuron, tim Flatiron menemukan bahwa menambahkan noise ke model neuron mereka memungkinkannya beradaptasi dengan lingkungan yang terus berubah. Tim menemukan bahwa keacakan tampaknya penting dalam mereplikasi cara kerja neuron sebenarnya.
Memperluas Model Neuronal ke Jenis Neuron Lainnya
Chklovskii selanjutnya berencana menganalisis jenis neuron yang tidak sesuai dengan model baru mereka. Misalnya, neuron di retina menerima masukan langsung dari lingkungan visual. Neuron-neuron ini mungkin tidak dapat mengontrol masukan mereka seperti halnya neuron yang terletak lebih dalam di otak, namun mereka mungkin menggunakan beberapa prinsip yang sama yang diidentifikasi oleh Chklovskii dan timnya: yaitu, mereka mungkin dapat memprediksi masukan. -masukkan, meskipun bisa. tidak mempengaruhi mereka.
“Kontrol dan prediksi sebenarnya sangat erat kaitannya,” kata Chklovskii. “Anda tidak dapat mengendalikan secara efisien tanpa menilai dampak tindakan Anda terhadap dunia.”
Referensi: “Neuron sebagai Pengontrol Berbasis Data Langsung” 24 Juni 2024, Prosiding Akademi Ilmu Pengetahuan Nasional.
DOI: 10.1073/pnas.2311893121
NewsRoom.id
