“`html

Как CircuitNet может улучшить ваш бизнес с помощью искусственного интеллекта

Искусственные нейронные сети (ИНС) успешны благодаря имитации упрощенной структуры мозга. Однако большинство ИНС моделируют только один или два таких образца, что ограничивает их производительность в различных задачах. Недавние нейронные архитектуры, вдохновленные биологическими нервными системами, не обладают сложной связностью, присущей мозгу. Внедрение этих принципов может улучшить проектирование и эффективность ИНС.

Практические решения и ценность:

Исследователи из Microsoft Research Asia представили CircuitNet, нейронную сеть, вдохновленную архитектурами нейронных цепей. Основной блок CircuitNet, Circuit Motif Unit (CMU), состоит из плотно связанных нейронов, способных моделировать разнообразные образцы цепей. В отличие от традиционных прямых сетей, CircuitNet включает обратную связь и боковые соединения, следуя локально плотной и глобально разреженной структуре мозга. Эксперименты показывают, что CircuitNet с меньшим количеством параметров превосходит популярные нейронные сети в аппроксимации функций, классификации изображений, обучении с подкреплением и прогнозировании временных рядов. Это исследование подчеркивает преимущества внедрения принципов нейронауки в проектирование моделей глубокого обучения.

Предыдущие дизайны нейронных сетей часто имитировали биологические нейронные структуры. Однако они не могли адекватно моделировать сложные комбинации нейронных цепей, в отличие от предложенной CircuitNet.

Нейронная сеть CircuitNet моделирует передачу сигнала между нейронами внутри CMU для поддержки разнообразных образцов цепей, таких как прямая, взаимная, обратная и боковая связь. Взаимодействие сигналов моделируется с использованием линейных преобразований, внимания к нейронам и произведений пар нейронов, что позволяет CircuitNet захватывать сложные нейронные паттерны. Нейроны организованы в локально плотные, глобально разреженные CMU, взаимосвязанные через входные/выходные порты, облегчающие внутри- и межблочную передачу сигналов. CircuitNet адаптируется к различным задачам, включая обучение с подкреплением, классификацию изображений и прогнозирование временных рядов, функционируя как общая архитектура нейронной сети.

Экспериментальные результаты и анализ CircuitNet по различным задачам показывают его превосходство в аппроксимации функций, более быстром сходении и лучшей производительности в обучении с подкреплением, классификации изображений и прогнозировании временных рядов. В частности, CircuitNet превосходит традиционные MLP и достигает сравнимых или лучших результатов по сравнению с другими продвинутыми моделями, такими как ResNet, ViT и трансформаторы, при меньшем количестве параметров и вычислительных ресурсов.

В заключение, CircuitNet – это архитектура нейронной сети, вдохновленная нейронными цепями в мозге. CircuitNet использует CMU, группы плотно связанных нейронов, как основные строительные блоки, способные моделировать разнообразные образцы цепей. Структура сети отражает локально плотную и глобально разреженную связность мозга. Экспериментальные результаты показывают, что CircuitNet превосходит традиционные нейронные сети, такие как MLP, CNN, RNN и трансформаторы, в различных задачах, включая аппроксимацию функций, обучение с подкреплением, классификацию изображений и прогнозирование временных рядов. Будущая работа будет сосредоточена на совершенствовании архитектуры и расширении ее возможностей с помощью продвинутых техник.

“`