МФТИ, ФИЦ ИУ РАН, AIRI: Алгоритм машинного обучения для улучшения памяти роботов

Основная статья: Машинное обучение (Machine Learning)

2025: Представление биологически подобного алгоритма памяти для ИИ

Российские учёные из МФТИ, ФИЦ «Информатика и управление» РАН и института AIRI разработали биологически подобный алгоритм памяти для искусственного интеллекта, значительно повышающий эффективность обучения роботов в условиях шумовой среды. Об этом МФТИ сообщил 23 января 2025 года. Метод основан на принципах работы дендритов — отростков нейронов мозга, ответственных за передачу сигналов. Данный алгоритм позволяет ИИ быстрее обрабатывать информацию и находить связи между данными, сокращая при этом затраты вычислительных ресурсов.

Данный алгоритм машинного обучения позволит роботизированным системам обобщать данные и находить между ними взаимосвязи. Это существенно уменьшит расход времени и вычислительных ресурсов на обработку информации и поможет более эффективному обучению ИИ.

Основой разработки стала идея использования математических моделей, напоминающих дендриты — отростки нейронов в мозге, которые играют ключевую роль в передаче информации. В искусственных моделях они помогают распознавать и классифицировать объекты. В процессе обучения модель адаптируется, «вырастая» и расширяя свои знания путём создания новых «дендритов».Тимурбулат Султангалиев, «Астра Консалтинг»: ТОП-3 технологий 2025 составят Low-code, No-code и AI-code 12 т

Однако существующие модели сталкиваются с проблемой чрезмерного разрастания. Это часто происходит в «шумных» средах, где каждое новое отклонение требует создания дополнительных сегментов, что увеличивает сложность и ресурсоёмкость системы.

Решение, которое предлагают ученые, – изменение алгоритма машинного обучения таким образом, чтобы вычислительная модель распознавала не весь объект, а определенные его части. Для этого в алгоритм внедрили «мягкий адаптер». Эта функция позволяет существующим сегментам узнавать новые объекты по частичному сходству. Результаты экспериментов показали, что данный подход существенно замедляет рост «дендритов» без значительной потери качества распознавания.

Эксперименты показывают, что такой способ существенно уменьшает рост «дендритов». При этом уже выращенные сегменты задействует гораздо шире. Причем оказалось, что это не приводит к заметному падению качества распознавания, но позволяет работать в условиях шума и сократить время и мощности, необходимые для обработки информации. Таким образом, ИИ учится обобщать данные по определённым признакам и находить между ними взаимосвязи. Эти действия, в принципе, уже можно отнести к примитивным мыслительным операциям, — рассказал ассистент Центра когнитивного моделирования МФТИ и младший научный сотрудник института AIRI Петр Кудеров.

Разработка такого алгоритма не только минимизирует избыточное разрастание, но и увеличивает способность ИИ обобщать данные, находя взаимосвязи даже в условиях повышенного шума. Такая адаптивность помогает системам подстраиваться под разные уровни сложности и шума.

Независимо от природы данных — будь то текст, изображение или физические объекты — вычислительная модель эффективно справляется с распознаванием, открывая перспективы для создания реалистичных картин мира. С этой технологией ИИ может стать на шаг ближе к реализации примитивных форм мышления.

Вместе с тем предложенный алгоритм обладает адаптивностью, которая выражается в способности регулировать уровень точности распознавания. Это даёт машинному мозгу возможность, подобно радиоприёмнику, тонко подстраиваться под заданный диапазон шума.