2019-01-24 | 박희윤 기자

KAIST以神经科学与人工智能融合破解工程难题

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

KAIST于24日表示,生物及脑工程系李相完教授研究团队通过与英国剑桥大学、谷歌DeepMind的共同研究,提出了新一代基于大脑的人工智能系统设计方向。

本次研究提出了可解决性能、效率、速度均衡设计等多种工程难题的基于神经科学的强化学习理论,预计将对新型人工智能算法设计产生积极影响。

由李相完教授与李知项博士、安秀真博士研究生主导的本次研究,以焦点形式刊载于国际学术期刊《科学》的姊妹刊《科学·机器人学》(Science Robotics)1月16日在线版。

起源于最优控制理论的强化学习是机器学习的一个领域,过去20余年间持续得到研究。尤其在过去5年间,伴随深度学习技术的发展实现了急速成长。

基于深度学习的强化学习算法近来被应用于如AlphaGo的策略搜索问题、机器人控制、急诊室紧急应对系统等医疗诊断等多个领域。但必须针对给定问题设计系统、在不确定性高的环境中性能无法保障等问题,仍有待根本性解决。

强化学习在决策及计算神经科学领域也已持续研究20年。李相完教授曾于2014年向学界发表人类前额叶—基底核脑回路中控制异种强化学习的神经科学证据。2015年又发表了同一脑回路中控制高速推理过程的研究。

研究团队在本次研究中提出了“前额叶元控制”理论,其依据是人类大脑已经解决了强化学习等单个人工智能算法无法解决的工程问题。

该理论的核心在于:中脑多巴胺—腹外侧前额叶皮质网络处理诸如可自我评估对外部环境学习可信度的奖励预测信号或状态预测信号等信息,人类大脑通过竞争—协作式整合这些信息的过程,寻找最适合外部环境的学习与推理策略。

将此原理应用于单一人工智能算法或机器人设计,可设计出在外部状况变化中稳健地维持性能、效率、速度三项条件(performance-efficiency-speed tradeoff)之间平衡点的最优控制系统。更进一步,在多个人工智能个体协作的情形下,可通过利用彼此的策略维持协作—竞争之间的平衡点。

第一作者李知项博士表示:“我们认为现代人工智能的优异性能,不仅源于对人类行为层面的观察,还源于将大脑的低层次神经系统以算法实现并积极加以发展的结果”,并称“本次研究基于计算神经科学,可成为解决现代深度学习与强化学习中性能、效率、速度之间难题的线索,并将为新型人工智能算法设计带来诸多启发”。

李相完教授表示:“做研究时会发现,我们的大脑意外地轻松解决了工程难题,将这一原理应用于人工智能算法设计的基于大脑的人工智能研究,是谷歌DeepMind、MIT、加州理工学院、UCL等海外一流机构也关注的神经科学—人工智能融合研究领域”,并称“长期看,预计它将成为新一代人工智能核心研究领域之一”。

阅读韩文原文