အာရုံကြောအတု ကွန်ရက်များကို များသောအားဖြင့် အင်ဂျင်နီယာများက ပုံဖော်ကြသည်- ကွန်ရက်သည် ဒေတာနှင့် တုံ့ပြန်ချက်မှ သင်ယူသောအခါ ချိတ်ဆက်မှု အားကောင်းပုံ ပြောင်းလဲပုံကို ဒီဇိုင်နာများက ဆုံးဖြတ်သည်။ MIT မှ လေ့လာမှုအသစ်တစ်ခုက ဤဒီဇိုင်နာ-မောင်းနှင်သောချဉ်းကပ်နည်းသည် အစွမ်းထက်သော်လည်း ဦးနှောက်က အမှန်တကယ်သင်ယူပုံအကြောင်း အနည်းငယ်ပြောပြနိုင်သည် — နှင့် ကွန်ရက်များ ၎င်းတို့ကိုယ်မိမိ စုစည်းထားသည့် အခြားရွေးချယ်စရာတစ်ခုကို သရုပ်ပြပေးသည် ။

အောက်တိုဘာလ ၉ ရက်နေ့ထုတ် Proceedings of the National Academy of Sciences (PNAS) တွင် MIT's McGovern Institute for Brain Research နှင့် K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center မှ သိပ္ပံပညာရှင်များက ၎င်း၏ အာရုံကြောကွန်ယက်အတုသည် ၎င်း၏ကိုယ်ပိုင် သင်ကြားရေးစက်ကို တည်ဆောက်နိုင်ကြောင်း ပြသခဲ့သည်။ ကျပန်းချိတ်ဆက်မှုများမှစတင်ကာ ချိတ်ဆက်မှုများမည်သို့မည်ပုံပြောင်းလဲသင့်သည်ဟူသော ရိုးရှင်းသောဒေသခံစည်းမျဉ်းများကိုသာ လိုက်နာခြင်းဖြင့်၊ ကွန်ရက်သည် ထိရောက်သောသတင်းအချက်အလက် စီမံဆောင်ရွက်ပေးသည့်စနစ်သို့ သူ့ကိုယ်သူပြန်လည်ပုံဖော်သည်။ For more context on this story, see our ongoing breaking AI news.

ဘာကြောင့် Biological Plausibility အရေးကြီးတာလဲ။

"လက်ရှိ AI နည်းပညာက အရမ်းအလုပ်လုပ်ပါတယ်၊ ဒါပေမယ့် ဦးနှောက်အသုံးပြုတဲ့ သင်ယူမှု algorithm ကို မလိုအပ်ပါဘူး" ဟု MIT မှ ပါမောက္ခ Tomaso Poggio နှင့် Mark Harnett တို့မှ စာတမ်းကို ပထမဆုံးရေးသားသူ Lisa Yang ICoN Center မှ ပါရဂူဘွဲ့ရ K. Lisa Yang ICoN Center မှ ပါရဂူဘွဲ့လွန်ကျောင်းသားတစ်ဦးဖြစ်သူ Qianli Liao က ပြောကြားခဲ့သည်။

AI မော်ဒယ်များကို ဦးနှောက်ထဲသို့ ပြတင်းပေါက်များအဖြစ် အသုံးပြုလိုသော အာရုံကြောသိပ္ပံပညာရှင်များအတွက် ထူးခြားချက်မှာ အရေးကြီးပါသည်။ ခေတ်မီစက်သင်ကြားမှုမှာ နောက်ကြောင်းပြန်ပြန့်ပွားခြင်းအပေါ် မူတည်ပြီး အာရုံကြောသိပ္ပံပညာရှင်အများစုသည် ဇီဝအာရုံကြောဆားကစ်များတွင် တည်ရှိနိုင်ဖွယ်မရှိဟု ယူဆကြသည်။ "ဦးနှောက်မှာ ပြင်ပ ဒီဇိုင်နာ ဒါမှမဟုတ် ဗိသုကာပညာရှင် မရှိဘူး" ဟု Liao က ဆိုသည်။ "ဦးနှောက်က သူ့အလိုလို စုစည်းဖို့ လိုတယ်။ ရိုးရှင်းတဲ့ စည်းမျဉ်းတွေက ဦးနှောက်ကို ဘယ်လို စည်းရုံးမလဲ ဆိုတာ သိဖို့ လိုတယ်။"

အဖွဲ့၏ဗဟိုအငြင်းအခုံမှာ ဦးနှောက်ပုံစံတစ်ခုအနေဖြင့် ကွန်ရက်တစ်ခု၏တန်ဖိုးကို ၎င်းကိုယ်တိုင် စုစည်းနိုင်သည့်အတိုင်းအတာဖြင့် အကဲဖြတ်သင့်သည်—၎င်း၏ချိတ်ဆက်မှုများသာမက၊ ယင်းချိတ်ဆက်မှုများကို ချိန်ညှိပေးသည့်စက်ပစ္စည်းများဖြစ်သည်။

ကိုယ်ပိုင်စည်းရုံးရေးကွန်ရက် အလုပ်လုပ်ပုံ

သုတေသီများသည် ကျပန်းဆက်သွယ်ထားသော နျူရွန်ကဲ့သို့ ယူနစ်များစွာ၏ အလွှာများအဖြစ် ဖွဲ့စည်းတည်ဆောက်ထားသည့် ကွန်ရက်များကို တည်ဆောက်ခဲ့ကြသည်။ အလွှာတစ်ခုစီအတွင်း၊ ယူနစ်တစ်ခုစီအား ချိတ်ဆက်မှုများကို ချိန်ညှိသင့်သည်အတွက် တူညီသောရိုးရှင်းသောစည်းမျဉ်းများဖြင့် အုပ်ချုပ်သည်။ "သူတို့က ဒီစည်းမျဉ်းကိုသုံးပြီး တစ်ယောက်နဲ့တစ်ယောက် အပြန်အလှန် ဆက်ဆံကြပြီး အပြုအမူ တစ်မျိုးမျိုး ရှိလာကြတယ်" ဟု Liao က ရှင်းပြသည်။

စည်းမျဥ်းများသည် အာရုံကြောသိပ္ပံပညာရှင်များက သင်ယူနေစဉ်အတွင်း ဦးနှောက်ဆားကစ်များကို ပြန်လည်ပတ်ထားသည်ဟု ယုံကြည်ကြသည် — ဟူသော ဂန္ထဝင်နိယာမအရ "နျူရွန်များ အတူတကွ ဝိုင်ယာကြိုးများ" ဟူသော အဓိပ္ပါယ်မှာ တစ်ပြိုင်နက်တည်း လှုပ်ရှားခြင်းသည် အာရုံကြောနှစ်ခုကြား ချိတ်ဆက်မှုကို အားကောင်းစေသည်။

ကွန်ရက်လေ့လာသင်ယူခဲ့သည့်အတိုင်း၊ ဤရိုးရှင်းသောစည်းမျဉ်းများနှင့်အညီ ကိုယ်တိုင်စုစည်းမှုပုံစံများ ထွက်ပေါ်လာပြီးနောက် လုပ်ဆောင်ချက်ဆိုင်ရာ ဆားကစ်များအတွက် တည်ဆောက်မှုတုံးများအဖြစ် လုပ်ဆောင်ခဲ့သည်။ အဆိုပါ motifs များသည် ခေတ်မီစက်သင်ယူမှုအများစုတွင် တည်ဆောက်ထားသော အမှားအယွင်း-မောင်းနှင်သော ချိန်ညှိမှုလုပ်ငန်းစဉ်—သို့သော် ပြင်ပမှချမှတ်ထားသော အယ်လဂိုရီသမ်ထက် ကွန်ရက်၏ကိုယ်ပိုင်ဒေသတွင်းဒိုင်းနမစ်မှ ဖြစ်ပေါ်လာသည့် gradient ဆင်းသက်ပုံနှင့်ဆင်တူသည့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်နည်းဗျူဟာကို အသုံးပြု၍ ၎င်းတို့ကို ပြန်လည်ဖွဲ့စည်းခဲ့ပါသည်။

စွမ်းဆောင်ရည်သည် Standard Networks များနှင့် နှိုင်းယှဉ်နိုင်သည်။

အရေးကြီးသော စမ်းသပ်မှုမှာ ဤကိုယ်တိုင် စုစည်းထားသော စနစ်သည် အမှန်တကယ် သင်ယူနိုင်မလား။ ထိုသို့လုပ်ဆောင်နိုင်သည်- ဤဒေသန္တရစည်းမျဉ်းများဖြင့် အုပ်ချုပ်သော ကိုယ်ပိုင်စည်းရုံးကွန်ရက်တစ်ခုသည် ပုံစံများကို အသိအမှတ်ပြုရန်နှင့် ပုံများကို အမျိုးအစားခွဲခြားရန် သင်ယူခဲ့ပြီး သမားရိုးကျ ပုံစံထုတ်ထားသော ကွန်ရက်များနှင့် ဆင်တူသည့်အဆင့်တွင် လုပ်ဆောင်ကြောင်း ပြသခဲ့သည်။

အကြီးတန်းစာရေးဆရာ Tomaso Poggio က ရလဒ်ကို ဆန့်ကျင်ဘက်လမ်းကြောင်းမှ တူညီသောယန္တရားများကို ရွေ့လျားနေသော နယ်ပယ်နှစ်ခုကြားရှိ အလားအလာရှိသော တံတားတစ်ခုအဖြစ် ဘောင်ခတ်ထားသည်။ အကယ်၍ အဖွဲ့မှ အဆိုပြုထားသော synaptic motifs များသည် အတုကွန်ရက်များအတွက် back-propagation လုပ်ဆောင်သည်များကို ပြီးမြောက်စေရန် ဦးနှောက်အသုံးပြုသည့်အရာဖြစ်ပါက သုတေသီများသည် "စက်များနှင့် ဦးနှောက်ကြားတွင် အတုနှင့် သဘာဝ ကွန်ရက်များကြား အခြေခံ ယန္တရားအဆင့်တွင် ခိုင်မာသော ချိတ်ဆက်မှု ရှိလိမ့်မည်" ဟု မှတ်ချက်ပြုခဲ့သည်။

Brain-Computer Interface မှ ပိုမိုကောင်းမွန်သော AI သို့

သက်ရောက်မှုများသည် လမ်းကြောင်းနှစ်ခုစလုံးတွင် လည်ပတ်နေသည်။ အာရုံကြောသိပ္ပံအတွက်၊ ဆားကစ်များကိုယ်တိုင် စုစည်းထားသည့် ရိုးရှင်းသောစည်းမျဉ်းများကို နားလည်ခြင်းက သင်ယူမှုလုပ်ဆောင်ပုံ — နှင့် ၎င်းသည် မည်သို့ပြိုကွဲသွားသည်ကို ရှင်းလင်းနိုင်သည်။ Liao သည် ဘာသာစကားစွမ်းရည်ဆုံးရှုံးသွားသူများအတွက် သို့မဟုတ် လေဖြတ်လူနာများအတွက် ခြေတုလက်တုကို ထိန်းချုပ်နိုင်စေရန် ရည်ရွယ်သည့် ဦးနှောက်-ကွန်ပြူတာကြားခံချိတ်ဆက်မှုများကို ထောက်ပြထားသည်။ "နျူရွန်-နျူရွန် အပြန်အလှန်ဆက်သွယ်မှုနောက်ကွယ်က စည်းမျဉ်းစည်းကမ်းတွေကို မသိဘဲ ဒါတွေက အလုပ်မလုပ်နိုင်ဘူး" ဟု ၎င်းက ဆိုသည်။ "အလွန်ကောင်းမွန်သော ဆားကစ်တစ်ခုကို ဒီဇိုင်းထုတ်ရုံဖြင့် ၎င်းသည် အောင်မြင်နိုင်မည်မဟုတ်ပေ။" တူညီသောအသိပညာသည် အသက်အရွယ်ကြီးရင့်မှု သို့မဟုတ် ရောဂါကြောင့် သင်ယူမှုစည်းမျဉ်းများကို အနှောင့်အယှက်ဖြစ်စေသည့်အခြေအနေများအတွက် ကုထုံးများကို အသိပေးနိုင်သည်။

စက်သင်ယူခြင်းအတွက်၊ တွေ့ရှိချက်များသည် စူးစမ်းလေ့လာမထားသော ဒီဇိုင်းနေရာတစ်ခုကို အကြံပြုထားသည်။ Liao က ကိုယ်ပိုင်စည်းရုံးရေးကွန်ရက်တစ်ခုသည် ဦးနှောက်လုပ်ဆောင်ပုံအား လေ့လာရန်မလိုအပ်ကြောင်း - သို့သော် သူသည် ကိုယ်ပိုင်အဖွဲ့အစည်းကို အရေးပါသည့်အစပြုသည့်အချက်အဖြစ် ဘောင်ခတ်ထားသည်။ "ကိုယ်ပိုင်အဖွဲ့အစည်းသည် ပထမဆုံးအဆင့်မြင့်မူဘောင်ဖြစ်သည်" ဟု ၎င်းက ဆိုသည်။ "ကျွန်ုပ်တို့သည် ကိုယ်ပိုင်အဖွဲ့အစည်းတစ်ခုအဖြစ် အတိုင်းအတာတစ်ခုအထိ ကောင်းမွန်ပြီးသည်နှင့် ကျွန်ုပ်တို့သည် နောက်တစ်ခုအား ဆွေးနွေးနိုင်ပါသည်။" အဖွဲ့၏ အဓိက ရည်ရွယ်ချက်မှာ ဦးနှောက်ကို နားလည်ရန်ဖြစ်သည်၊ သို့သော် အသိပညာသည် အင်ဂျင်နီယာများအား ပိုမိုကောင်းမွန်သော လုပ်ဆောင်မှု သို့မဟုတ် လူသားနှင့်ပိုတူသော နည်းလမ်းများဖြင့် ပြုမူသည့် ကွန်ရက်များကို တည်ဆောက်ရာတွင် အင်ဂျင်နီယာများအား ကူညီပေးနိုင်ပါသည်။

အသေးစိပ်နှင့်ပတ်သက်ပြီး ပွင့်လင်းသောမေးခွန်းတစ်ခုလည်း ရှိပါသည်။ တိရိစ္ဆာန်များ သင်ယူမှုအဖြစ် အာရုံကြောချိတ်ဆက်မှုကို ပြန်လည်ပုံဖော်သည့် စည်းမျဉ်းများသည် ဦးနှောက်ဒေသများတစ်လျှောက် ကွဲပြားနိုင်ပြီး ဦးနှောက် ရင့်လာသည်နှင့်အမျှ ပြောင်းလဲသွားတတ်သည်— ဖြစ်နိုင်ခြေရှိသော သုတေသီများက ရိုးရှင်းသော စည်းမျဉ်းပုံစံများကို ဇီဝဆားကစ်များနှင့် မကိုက်ညီမီတွင် ဖော်ထုတ်ရမည်ဟု သုတေသီများကဆိုသည်။ ထိုမြေပုံသည် တစ်ဖန် အသက်အရွယ်ကြီးရင့်ခြင်း သို့မဟုတ် ရောဂါကြောင့် သင်ကြားရေးစက်အား မည်သည့်နေရာနှင့် မည်ကဲ့သို့ အနှောင့်အယှက်ဖြစ်စေသည်ကို ထုတ်ဖော်ပြသနိုင်ပြီး ကြိုတင်ကာကွယ်ရေးဗျူဟာများနှင့် ကုထုံးများကို အသိပေးနိုင်သည်။

McGovern Institute for Brain Research နှင့် K. Lisa Yang ICoN Center တို့မှ လေ့လာမှုအား MIT News မှ 2026 ခုနှစ် အောက်တိုဘာလ 13 ရက်နေ့ တွင် ဖော်ပြခဲ့သည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →