Исследователи MIT показали, как нейросеть может сформировать механизм обучения
Простые правила изменения связей позволили вычислительной сети самоорганизоваться и решать задачи распознавания. Авторы изучают, как подобный подход может помочь понять обучение мозга.
MIT 13 октября рассказал о работе, опубликованной в PNAS. Исследователи изучили не только то, как готовая сеть учится, но и то, как сами структуры, поддерживающие обучение, могут возникнуть из локальных взаимодействий.
Модель начинается со случайных связей между нейроноподобными элементами. Их поведение задают простые правила пластичности — изменения силы связей. В процессе формируются повторяющиеся структуры, которые авторы называют самоорганизующимися мотивами, или SAM. Составленные из них сети приближают обобщённый стохастический градиентный спуск.
По сообщению MIT, такая сеть научилась распознавать закономерности и классифицировать изображения, показав результаты, сопоставимые с сетями на основе обратного распространения ошибки. Это относится к рассмотренным задачам, а не ко всем возможностям современных моделей.
Главный вопрос работы — могут ли локальные правила сами породить полезный механизм обучения. Исследователи предлагают рассматривать способность к самоорганизации как один из критериев биологической правдоподобности вычислительных моделей.
Что пока неизвестно
Это вычислительное исследование. Оно не доказывает, что мозг использует именно предложенные структуры, и не означает обучение без заранее заданных правил. Полный текст статьи не был доступен в редакционном просмотре; факты сверены по сообщению MIT и авторскому реферату в PubMed.
Источники
- MIT News: исследование самоорганизующегося обучения, 13 октября 2026
- PNAS: How biological synapses self-assemble gradient learning
- PubMed: авторский реферат и библиографическая запись
Источник не открывается?
Оригинальная страница может быть временно недоступна. Попробуйте открыть её позже; название и дата источника сохранены выше.