近来，MIT计算机科学与人工智能实验室（CSAIL）的研讨人员开宣布一种新形态神经网络，它在练习阶段完毕后，还能够在工作中持续学习。这些被称为"液体"网络的灵敏算法，会改动其底层方程，以不断习惯新的数据输入。这一发展能够协助根据随时刻改变的数据流进行决议方案。在触及医疗确诊和自动驾驶的范畴也可改善算法的决议方案。
该研讨将在立刻举办的AAAI人工智能会议（2月2日-2月9日）上揭露。除了麻省理工学院计算机科学与人工智能实验室（CSAIL）的博士后Hasani之外，麻省理工学院的一起作者还包含CSAIL主任、Andrew and Erna Viterbi电气工程和计算机科学教授Daniela Rus和博士生Alexander Amini。其他合著者包含奥地利科学技术研讨所的Mathias Lechner和维也纳理工大学的Radu Grosu。
研讨规划了一个神经网络，能够习惯实际国际体系的可变性。神经网络是一种经过剖析一组"练习"实例来识别形式的算法。它们经常被说成是在仿照大脑的处理途径—Hasani的创意来源于一种细小的微观线虫C. elegans。它的神经体系中只要302个神经元，但它却能发生意想不到的杂乱动态。
该代码遭到C. elegans的神经元经过电脉冲激活和彼此交流的方法的音响，获得了其灵敏性。相对比大大都神经网络的行为在练习阶段后都是固定的，"液体"网络的流动性使其对意外或喧闹的数据更具弹性，比方遮挡了自动驾驶汽车上摄像头的视界的突发大雨。由此带来更强的可解释性，使得模型自身的体现力愈加丰厚，有助于工程师了解和改善液体网络的功能。在测验中，该网络在猜测数据集的未来值方面体现得很有期望，从大气化学到交通形式。
Hasani方案不断改善该体系，并为实际使用做好预备。"咱们有一个能够证明的更有体现力的神经网络，它的创意来自于天然。但这仅仅这个进程的开端，"他说。"接下来的问题是怎么运用这一点。咱们以为这种网络可能是未来智能体系的要害元素。"
编译/前瞻经济学人APP资讯组
参阅信息：
[1] https://news.mit.edu/2021/machine-learning-adapts-0128
[2]https://thenextweb.com/neural/2021/01/29/mits-new-liquid-neural-network-learns-on-the-job-so-robots-can-adapt-to-changing-conditions/