Onderzoekers hebben bij toeval ontdekt dat kunstmatige neurale netwerken zo kunnen evolueren dat ze taken kunnen uitvoeren zonder eerst te leren. Dat zou kunnen leiden tot kunstmatige intelligentie (ai) die veel bedrevener is in een groot aantal verschillende taken.
De meeste dieren worden geboren met bepaalde eigenschappen, zoals veulens die al binnen enkele uren kunnen lopen, een eendenkuiken niet zal verdrinken als ie in het water terechtkomt en zoogdieren zich direct kunnen voeden, zonder dat ze dat eerst geleerd moet worden hoe.
In tegenstelling tot het brein dat zo geëvolueerd is om bepaalde handelingen uit te kunnen voeren zonder of vrijwel zonder training, is dat lastig bij kunstmatige neurale netwerken. Dit soort systemen leert over het algemeen van het uitvoeren van bepaalde taken, zoals het spelen van spelletjes of het herkennen van plaatjes, om vervolgens een bepaalde verbinding tussen de kunstmatige neuronen te versterken of te verzwakken totdat het gewenste resultaat behaald is, waarna de sterkte van de verbinding wordt bepaald, ook wel ‘gewicht’ genoemd.
De techniek in dit onderzoek gebruikt dit soort netwerken ook, met het verschil dat de sterkte van de verbindingen niet uitmaakt. Er wordt een neuraal netwerk gezocht dat zonder eerst de verbindingen te wijzigen al zo goed mogelijk doet wat het moet doen. Met andere woorden: de hele vorm van het netwerk zorgt al voor de intelligentie waardoor het netwerk bij voorbaat al geschikt is om bepaalde taken uit te voeren. Hieruit komt de naam voor dit soort netwerken voort, namelijk Weight Agnostic Neural Networks of wann’s.
Bug
Een van de onderzoekers, Adam Gaier, zegt dat de doorbraak in eerste instantie een bug was die ervoor zorgde dat in een bepaalde opstelling alle waardes van de verbindingen dezelfde grootte hadden.
Een van de belangrijkste eigenschappen van wann’s is dat ze relatief simpel zijn in vergelijking tot andere neurale netwerken. Een typisch neuraal netwerk voor taken die uitgevoerd werden in de studie heeft duizenden neuronen en verbindingssterktes, terwijl de wann’s slechts een handvol neuronen met een enkel gewicht hadden.
De wann’s haalden wel lagere scores dan getrainde netwerken, tussen een zesde tot de helft, maar deze scores stegen als de onderzoekers de best-presterende verbindingen toepasten in plaats van willekeurige, dan gingen die scores omhoog naar twee derde tot vier vijfde. Nadat de netwerken vervolgens wel een evolutie mochten doormaken, dan kwamen de scores op dezelfde hoogte als grote netwerken met duizenden neuronen.
Het testen van de netwerken deden de onderzoekers met behulp van drie gesimuleerde taken, namelijk het besturen van een race-autootje over een circuit, een tweebenige of bidpedal robot laten lopen en het laten controleren van een karretje met een rechtopstaande paal in het midden en die in balans houden.
Een andere taak was het laten herkennen van geschreven cijfers, waarbij de betreffende WANN een herkenningsscore haalde van negentig procent tegen 99 procent van getrainde netwerken.
Een netwerk trainen zorgt nog steeds voor betere resultaten, maar het is wel praktisch om dit soort zaken in te zetten voor het vinden van specifieke netwerkarchitectuur voor bepaalde taken.
