Opis projektu
Sieci neuronowe pomogą sztucznej inteligencji
Sztuczne sieci neuronowe (ang. artificial neural network, ANN) oferują wspaniałe możliwości rozwoju dla wielu branż i usług, krajów oraz organizacji, od ulepszonej automatyzacji po łatwość użytkowania i większą wydajność. Jednak ANN wymagają kompleksowego szkolenia i dużych ilości danych, aby można było wykonać nawet najprostsze funkcje. Z kolei biologiczne sieci neuronowe rozwinęły się w mózgu, aby sprawnie wykonywać wysoce złożone funkcje. W związku z tym zespół finansowanego ze środków ERBN projektu ConnectomesToANNs opracuje kilka narzędzi obliczeniowych na potrzeby wychwycenia podstawowych zasad biologicznych z rekonstrukcji sieci neuronowych w mózgu w projektowaniu ANN. Takie „biologiczne” ANN poprawią wydajność aplikacji opartych na sztucznej inteligencji, jednocześnie ograniczając wymagania dotyczące treningu i danych.
Cel
Artificial neural networks (ANNs) have found applications in a wide variety of real-world problems. Despite this tremendous success, artificial intelligence systems still face major challenges due to their reliance on extensive training and large datasets. Recent reports indicate that the architecture of ANNs could be a prime target for reducing their training and data requirements.
We hypothesize that such architectural features can be identified from neuronal networks in the brain, which have evolved to efficiently perform highly specialized functions. Recent advances in electron microscopy will soon provide detailed reconstructions of large-scale neuronal networks from different brain areas, species, developmental stages and/or pathological conditions. However, even if such data become available, directly transforming neuronal network reconstructions into ANNs will raise problems of interpretability, due to their enormous complexity, and generalizability, due to high inter-individual variability.
Here, we will resolve these challenges by implementing a set of computational approaches that allow the extraction of rules that explain the wiring properties underlying dense connectomics data, the transfer of these anatomical principles into the design of ANN architectures, and the evaluation of how these principles impact performance on a battery of deep learning tasks. This unique methodology will lay the foundation for groundbreaking insights into how different network architectures facilitate specific brain functions, and also how the underlying anatomical principles can inform the development of more effective and efficient artificial intelligence systems.
Our methodology will be publicly accessible online to scientists, but also to companies and non-profit organizations that seek to improve the performance or reduce training data requirements for applications of deep learning.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
System finansowania
HORIZON-ERC-POC - HORIZON ERC Proof of Concept GrantsInstytucja przyjmująca
80539 Munchen
Niemcy