Công trình Nghiên cứu được công bố trên Tạp chí Nature Communications cho thấy, điều chỉnh những tính chất điện của các tế bào riêng lẻ trong mạng tế bào thần kinh mô phỏng não người, những mạng thần kinh nhân tạo học nhanh hơn so với những mạng có các tế bào giống hệt nhau.

 

Nhóm nghiên cứu cũng phát hiện được, các mạng với những tế bào tinh chỉnh cần ít ô tế bào não hơn để có được kết quả tương tự như các mạng não nhân tạo có các ô tế bào giống hệt nhau và đồng thời tiêu thụ ít năng lượng hơn.

Các nhà khoa học Anh cho rằng, phát hiện này cho thấy nguyên nhân, vì sao bộ não của con người học nhanh và chính xác. Nguyên nhân này sẽ thúc đẩy phát triển những hệ thống thông minh nhân tạo tiên tiến như trợ lý kỹ thuật số, có thể nhận dạng giọng nói và khuôn mặt hoặc công nghệ xe hơi tự lái.

Tác giả chính công trình khoa học Nicolas Perez, nghiên cứu sinh tại Khoa Kỹ thuật Điện và Điện tử Đại học Imperial College London cho biết: "Bộ não nhân tạo cần tiết kiệm năng lượng hơn nhưng vẫn giải quyết xuất sắc những nhiệm vụ phức tạp. Nghiên cứu cho thấy sự đa dạng của những tế bào thần kinh trong cả mô phỏng mạng não và hệ thống AI đều đáp ứng hai yêu cầu này và đẩy nhanh việc học tập".

Bộ não được tạo thành từ hàng tỷ tế bào thần kinh, kết nối với nhau bằng 'mạng lưới dây thần kinh' rộng lớn cho phép chúng ta tìm hiểu về thế giới. Tế bào thần kinh có cấu hình giống như những bông tuyết, liên kết với nhau bằng các dây thần kinh, nhìn xa tương tự như nhau nhưng khi kiểm tra kỹ lưỡng có thể thấy rất rõ, không có hai tế bào nào hoàn toàn giống nhau.

Ngược lại, mỗi tế bào trong mạng nơ-ron nhân tạo - công nghệ trên cơ sở AI - giống hệt nhau, chỉ khác nhau về số lượng kết nối. Dù tốc độ phát triển công nghệ AI rất nhanh, nhưng mạng lưới thần kinh nhân tạo không học chính xác hoặc nhanh như não người khiến các nhà nghiên cứu đặt câu hỏi, liệu sự giống nhau tuyệt đối của các tế bào có thể là nguyên nhân khiến mạng thần kinh nhân tạo hoạt động kém hiệu quả và tốn năng lượng.

Các nhà khoa học thử nghiệm thiết kế hệ thần kinh não nhân tạo bằng các tế bào mạng thần kinh với những đặc tính khác nhau và xem xét hiệu quả của sự biến đổi này đối với việc học trong công nghệ AI. Kết quả cho thấy, sự biến đổi trong các tế bào tăng cường đáng kể khả năng học tập của mạng thần tinh não bộ nhân tạo và giảm tiêu thụ năng lượng.

Tác giả chính công trình nghiên cứu, TS Dan Goodman thuộc Khoa Kỹ thuật Điện và Điện tử của Imperial, cho biết: "Sự tiến hóa mang lại những chức năng đáng kinh ngạc của não bộ mà chúng ta chỉ mới bắt đầu hiểu. Công trình nghiên cứu cụ thể cho thấy, có thể học được những bài học quan trọng từ chính cấu trúc sinh học con người để phát triển AI hoạt động tốt hơn, hiệu quả hơn cho chúng ta".

Trong quá trình nghiên cứu, các nhà khoa học tập trung vào việc điều chỉnh "hằng số thời gian" - tức là mỗi tế bào sẽ quyết định thực hiện tác vụ dựa trên những gì các tế bào kết nối với nó đang thực hiện. Một số tế bào sẽ giải quyết nhanh trên cơ sở những gì các ô được kết nối vừa thực hiện. Những tế bào khác sẽ phản ứng chậm hơn, dựa trên những gì các tế bào liền kề đang làm trong thời gian đó.

Sau khi thay đổi hằng số thời gian của các ô tế bào thần kính, nhóm nghiên cứu giao cho mạng thần kinh não thực hiện một số nhiệm vụ tiêu chuẩn Máy học: phân loại hình ảnh quần áo và các chữ số viết tay; nhận biết cử chỉ của con người; xác định các chữ số và lệnh do người đọc.

Kết quả cho thấy, mạng não bộ nhân tạo với các tế bào thần kinh thay đổi tốc độ thực hiện có thể giải quyết tốt hơn tác vụ trong tronng điều kiện thực tế phức tạp hơn.

Khi nhóm nghiên cứu thay đổi số lượng biến đổi các tế bào thần kinh trong các mạng não bộ mô phỏng, những mạng hoạt động hiệu quả nhất là những mạng có số lượng tế bào biến đổi tương tự như trong não người, cho thấy trong quá trình tiến hóa, bộ não đã thay đổi số lượng các tế bào thần kinh biến đổi để đạt được khả năng học tập tối ưu.

Ông Nicolas nói thêm: "Chúng tôi đã chứng minh được, AI có thể được đưa đến gần hơn với phương thức não người hoạt động bằng giải pháp mô phỏng những tính chất đặc trưng nhất định của não. Nhưng còn một quãng đường rất dài để các hệ thống AI hiện nay đạt được khả năng học tập và mức hiệu quả năng lượng trong các hệ thống sinh học tự nhiên. Tiếp theo, cần phải nghiên cứu cấu trúc phân bổ mạng tế bào thần kinh nhằm giảm tiêu thụ năng lượng, đưa AI gần hơn đến hiệu quả hoạt động của não bộ".