Descrizione del progetto
Strumenti matematici avanzati per analizzare l’apprendimento cerebrale
Le reti neurali artificiali (RNA), alimentate dall’intelligenza artificiale, trovano un utilizzo diffuso; tuttavia, le reti neurali biologiche (RNB) presenti nel cervello sono intrinsecamente più efficaci. Mentre le RNA rappresentano funzioni, le RNB rappresentano processi stocastici. Sebbene il cervello abbia dimostrato un apprendimento più rapido e capacità di generalizzazione superiori, sono necessari ulteriori lavori teorici per comprendere appieno i suoi meccanismi di apprendimento. In questo contesto, il progetto A2B, finanziato dal CER, svilupperà strumenti matematici avanzati per analizzare i processi di apprendimento nelle RNB con l’obiettivo di approfondire le modalità di apprendimento del cervello, migliorare l’efficienza dell’intelligenza artificiale con una riduzione dei dati di addestramento e addestrare i chip di computer neuromorfi ad emulare le RNB. Il progetto dà avvio ai propri lavori reinterpretando il processo di aggiornamento locale dei parametri RNB, secondo un metodo di ottimizzazione specifico privo di derivate e non convenzionale.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-ERC - HORIZON ERC GrantsIstituzione ospitante
7522 NB Enschede
Paesi Bassi