“液体”神经网络！MIT实验室发布重磅研究成果

近日，MIT计算机科学与人工智能实验室（CSAIL）的研究人员开发出一种新形态神经网络，它在训练阶段结束后，还可以在工作中继续学习。这些被称为"液体"网络的灵活算法，会改变其底层方程，以不断适应新的数据输入。这一进展可以帮助基于随时间变化的数据流进行决策。在涉及医疗诊断和自动驾驶的领域也可改善算法的决策。

该研究将在马上举行的AAAI人工智能会议（2月2日-2月9日）上公开。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，麻省理工学院的共同作者还包括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。其他合著者包括奥地利科学技术研究所的Mathias Lechner和维也纳理工大学的Radu Grosu。

研究设计了一个神经网络，可以适应现实世界系统的可变性。神经网络是一种通过分析一组"训练"实例来识别模式的算法。它们经常被说成是在模仿大脑的处理路径—Hasani的灵感来源于一种微小的微观线虫C. elegans。它的神经系统中只有302个神经元，但它却能产生意想不到的复杂动态。

该代码受到C. elegans的神经元通过电脉冲激活和相互沟通的方式的音响，获得了其灵活性。相对比大多数神经网络的行为在训练阶段后都是固定的，"液体"网络的流动性使其对意外或嘈杂的数据更具弹性，比如遮挡了自动驾驶汽车上摄像头的视野的突发大雨。由此带来更强的可解释性，使得模型本身的表现力更加丰富，有助于工程师理解和改进液体网络的性能。在测试中，该网络在预测数据集的未来值方面表现得很有希望，从大气化学到交通模式。

Hasani计划不断改进该系统，并为现实应用做好准备。"我们有一个可以证明的更有表现力的神经网络，它的灵感来自于自然。但这只是这个过程的开始，"他说。"接下来的问题是如何运用这一点。我们认为这种网络可能是未来智能系统的关键元素。"

编译/前瞻经济学人APP资讯组

参考信息：

[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/