Descripción del proyecto
Herramientas matemáticas avanzadas para analizar el aprendizaje en el encéfalo
Las redes neuronales artificiales (RNA), impulsadas por la IA se utilizan mucho, pero las redes neuronales biológicas (BNN, por sus siglas en inglés) que se encuentran en el encéfalo son intrínsecamente más eficaces. Mientras que las RNA representan funciones, las BNN representan procesos estocásticos. El encéfalo ha demostrado un aprendizaje más rápido y una mayor capacidad de generalización. Sin embargo, se necesitan más trabajos teóricos para comprender plenamente los mecanismos de aprendizaje en el encéfalo. En este contexto, el equipo del proyecto A2B, financiado por el CEI, desarrollará herramientas matemáticas avanzadas para analizar los procesos de aprendizaje en las BNN. Los objetivos del proyecto son conocer mejor cómo aprende el encéfalo, mejorar la eficacia de la IA con menos datos de entrenamiento y entrenar chips informáticos neuromórficos para emular las BNN. En el proyecto se comienza reinterpretando el proceso de actualización local de los parámetros de las BNN como un método de optimización específico y no estándar sin derivadas.
Objetivo
Why does the brain outperform AI? Artificial neural networks (ANNs) are at the core of the AI revolution. In the past years, enormous efforts have been made to unravel their mathematical properties, leading to fundamental insights and mathematical guarantees on when and why deep learning works well. ANNs are inspired by biological neural networks (BNNs) but differ in many respects: ANNs represent functions while BNNs represent stochastic processes, and the gradient-based deep learning applied for ANNs is very different from the local updating of BNNs.
BNNs are superior to ANNs in the sense that the brain learns faster and generalizes better. Despite the urgency for answers and the rich and interesting mathematical structures that BNNs create, scarcely any theoretical attempts have been made to understand learning in the brain. The stochastic process structure of BNNs and the need to understand the statistical convergence behavior call for a mathematical statistics approach. This project proposes the development of advanced mathematical tools in nonparametric and high- dimensional statistics to analyze learning in BNNs as a statistical method. The starting point is a novel interpretation of the local updating of BNN parameters as a specific and non-standard, derivative-free optimization method. Whereas derivative-free optimization is thought to be slow, our conjecture is that it leads to favorable statistical properties in the setting underlying BNNs.
If the research is successful, it has the potential to open a new research area in mathematical statistics and provide insights into how the brain learns. It could also lead to recommendations on how to make AI more efficient with less training data and how to train neuromorphic computer chips mimicking BNNs.
Ámbito científico
Palabras clave
Programa(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Régimen de financiación
HORIZON-ERC - HORIZON ERC GrantsInstitución de acogida
7522 NB Enschede
Países Bajos