打造一個(gè)自動(dòng)駕駛控制系統(tǒng)需要多少個(gè)神經(jīng)元?
MIT的科學(xué)家告訴你,,最少只要19個(gè),!方法是向線蟲這種初等生物學(xué)習(xí)。
最近,,來自MIT CSAIL,、維也納工業(yè)大學(xué)、奧地利科技學(xué)院的團(tuán)隊(duì)已經(jīng)開發(fā)了一種基于線蟲大腦的新型AI系統(tǒng),。研究成果登上了最近的《自然·機(jī)器智能》雜志,。
他們發(fā)現(xiàn),具有19個(gè)控制神經(jīng)元的單個(gè)算法,,通過253個(gè)突觸將32個(gè)封裝的輸入特征連接到輸出,,可以學(xué)習(xí)把高維輸入映射到操縱命令。
這種新的AI系統(tǒng)用少量人工神經(jīng)元控制車輛轉(zhuǎn)向,。而基于LSTM的神經(jīng)網(wǎng)絡(luò)打造同樣的自動(dòng)駕駛系統(tǒng),,網(wǎng)絡(luò)結(jié)構(gòu)則要復(fù)雜得多。
△實(shí)現(xiàn)的車輛控制系統(tǒng)
為何能做到這么少的神經(jīng)元數(shù)量,,論文共同一作MIT CSAIL博士后Ramin Hasani解釋說:
與以前的深度學(xué)習(xí)模型相比,,每個(gè)單元內(nèi)信號(hào)的處理都遵循不同的數(shù)學(xué)原理。
他們從秀麗隱桿線蟲這種生物受到啟發(fā),,在2018年提出了一種神經(jīng)元回路策略(Neuronal Circuit Policies,,NCP)。
NCP方法是重新利用生物神經(jīng)回路模型的功能,,創(chuàng)建可解釋的控制智能體,,管理虛擬和現(xiàn)實(shí)世界的強(qiáng)化學(xué)習(xí)(RL)測(cè)試平臺(tái)。
該方法對(duì)線蟲的TW神經(jīng)回路進(jìn)行建模,,這個(gè)回路主要負(fù)責(zé)線蟲對(duì)外部機(jī)械觸摸刺激的反射反應(yīng),,通過掌握其突觸和神經(jīng)元參數(shù),作為控制基本強(qiáng)化學(xué)習(xí)任務(wù)的策略,。
為了測(cè)試這種新的數(shù)學(xué)模型,,團(tuán)隊(duì)選擇了一項(xiàng)特別重要的測(cè)試任務(wù)——讓自動(dòng)駕駛汽車保持在車道上。神經(jīng)網(wǎng)絡(luò)接收攝像機(jī)拍攝的道路圖像,,然后自動(dòng)決定是向左還是向右轉(zhuǎn),。
諸如自動(dòng)駕駛之類的復(fù)雜任務(wù),往往需要具有數(shù)百萬個(gè)參數(shù)的深度學(xué)習(xí)模型,。但是,,用NCP方法能夠?qū)⒕W(wǎng)絡(luò)規(guī)模減少兩個(gè)數(shù)量級(jí)。
而這個(gè)19神經(jīng)元極簡(jiǎn)自動(dòng)駕駛系統(tǒng)僅使用了7.5萬個(gè)訓(xùn)練參數(shù),,參數(shù)數(shù)量降低了2個(gè)數(shù)量級(jí),。
NCP方法構(gòu)建的自動(dòng)駕駛系統(tǒng)也需要,,但是僅用于從攝像機(jī)傳入的視覺數(shù)據(jù),并從中提取出結(jié)構(gòu)特征,。它與車輛的實(shí)際轉(zhuǎn)向無關(guān),。
后面的神經(jīng)網(wǎng)絡(luò)來確定攝像機(jī)圖像的哪些部分重要,然后將信號(hào)傳遞到網(wǎng)絡(luò)的NCP控制系統(tǒng),。
系統(tǒng)的控制部分將感知系統(tǒng)中的數(shù)據(jù)轉(zhuǎn)換為轉(zhuǎn)向命令,,僅包含19個(gè)神經(jīng)元。
兩個(gè)子系統(tǒng)堆疊在一起并同時(shí)接受訓(xùn)練,,訓(xùn)練數(shù)據(jù)集是波士頓地區(qū)人類駕駛汽車視頻,,包括圖像與汽車轉(zhuǎn)向操作的關(guān)聯(lián)數(shù)據(jù)。
將它們一起輸入網(wǎng)絡(luò),,直到系統(tǒng)學(xué)會(huì)自動(dòng)將圖像與適當(dāng)?shù)霓D(zhuǎn)向系統(tǒng)連接起來,,可以獨(dú)立處理新情況。
除了結(jié)構(gòu)簡(jiǎn)單外,,用NCP設(shè)計(jì)的自動(dòng)駕駛系統(tǒng)相比傳統(tǒng)模型,,還有兩大優(yōu)勢(shì):可解釋性和魯棒性。
系統(tǒng)的可解釋性能讓我們我們看到網(wǎng)絡(luò)將注意力集中在什么方面,。
從視頻中可以看出,,神經(jīng)網(wǎng)絡(luò)專注于圖像的非常具體的部分,比如路邊和地平線,。研究人員表示,,這種行為是在AI系統(tǒng)中是獨(dú)一無二的。
此外,,可解釋性細(xì)化到了每個(gè)神經(jīng)元,。我們還能看到哪個(gè)神經(jīng)元(視頻中亮起部分)在駕駛決策中的作用。我們可以了解單個(gè)神經(jīng)元的功能及其行為,。
為了測(cè)試對(duì)比與傳統(tǒng)模型和NCP模型的魯棒性,研究人員還給輸入圖像加入了擾動(dòng),,并評(píng)估了智能體對(duì)噪聲的處理能力,。結(jié)果NCP表現(xiàn)出了對(duì)輸入偽像的強(qiáng)大抵抗力。
除了可解釋性和魯棒性,,NCP模型還有其他優(yōu)勢(shì),。比如減少訓(xùn)練時(shí)間,減少在相對(duì)簡(jiǎn)單的系統(tǒng)中實(shí)現(xiàn)AI的不確定性,。
Ramin Hasani博士還表示,,NCP不僅能應(yīng)用自動(dòng)駕駛中,它能模仿學(xué)習(xí)意味著更廣泛的應(yīng)用,,比如倉(cāng)庫(kù)的自動(dòng)化機(jī)器人等等,。