A mesterséges neurális hálózatok a biológiai neurális hálók modellezésével létrehozott rendszerek, amelyek működése valamilyen mértékben az élő idegrendszerekre és a bennük dolgozó neuronokra hasonlít. Idő kérdése, hogy ezek a hálózatok mikor jelennek meg egyre nagyobb arányban azokban az eszközökben, amelyek ma még akkor is a hagyományos számítógépekre és processzorokra épülnek, ha elnevezésükben már a mesterséges intelligencia valamilyen alkalmazását futtatják, éppen ezért fontos lenne minél többet megtudni a biológiai agyakra jellemző – és azokhoz mérten nehezen átlátható – sajátosságaikról.

A Stientific American cikkében a Los Alamos National Laboratory egyik kutatója számolt be egy érdekes következtetésről, amelyet a neurális hálózatok vizsgálata során tártak fel. Az ebben szereplő példa egy osztályozást végező, felügyelet nélkül tanuló (unsupervised learning) rendszerről szól, ami előzetesen meghatározott mintákkal való összehasonlítás nélkül sorolja be az egyes objektumokat. Ezt a kutatók ahhoz hasonlítják, mint amikor egy gyerek sosem hallott még az antilopokról, mégis egy külön osztályba csoportosítja őket a pingvinekhez vagy az oroszlánokhoz képest.

Ezt az analógiát tovább is lehet vinni, amennyiben a tudósok azt tapasztalták, hogy a hálózatok egy bizonyos ideig tartó folyamatos munkát követően elkezdenek instabillá válni, ezzel szemben amikor olyan állapotba hozzák azokat, ami megfeleltethető az emberi agy alvás közben mutatott folyamatainak, a működésük stabilizálódik. Bár a hasonlat nem pontos, a cikk szerint a neurális hálózatoknak is jót tesz, ha időnként abba a helyzetbe hozzák őket, ami a maguk módján az alvásnak feleltethető meg.

Nem úgy alszanak, de azért mégis úgy alszanak

Mindezzel kapcsolatban két fontos dolgot érdemes tisztázni. Egyészt ez a fajta instabilitás nem jellemző minden MI-rendszerre, csak a biológiailag is realisztikusnak nevezhető hálózatokra: a gépi tanulás, a mély tanulás (deep learning) és más mesterséges intelligenciára épülő kutatások során nem tapasztalható ilyesmi, miután azok jellemzően olyan matematikai műveleteket végeznek, amelyeknek az élő neuronokban nincsen megfelelőjük.

Másrészt a neurális hálózatokról szólva az alvás teljesen mást jelent, mint amikor mondjuk egy asztali PC "alvó" állapotba hozza magát a megfelelő ideig tartó inaktivitást követően. A hagyományos számítógépek esetében ez tulajdonképpen a folyamatok felfüggesztéséről szól, vagyis a műveletek befagyasztásáról, mint ahogy a hibaelhárítás mesterfogása, a ki- és bekapcsolás is inkább a rövid ideig tartó agyhalállal, sem mint az alvó állapottal állítható párhuzamba. A neurális hálózatoknál viszont a teljes lekapcsolás azt eredményezné, hogy kárba vész az addigi tanulás eredménye (a természetes analógia itt a súlyos amnézia lehetne): ezeknél a rendszereknél, hasonlóan az emberi agyhoz, az alvás csupán egy másfajta aktivitás, ami elengedhetetlen a neuronok megfelelő működéséhez.

A cikk szerint az alvásra hajazó mesterséges állapot előidézése egy végső kísérlet volt a hálózatok stabilizálására, miután azok már spontán módon generáltak olyan képeket, amelyek a biológiai agy hallucinációira emlékeztetnek. A kutatók ilyenkor különféle típusú numerikus zajt tapasztalnak, hasonlóan a rosszul beállított rádióhoz. Ez ellen viszont eredményesnek bizonyult, ha széles frekvenciatartományú és amplitúdójú zajt használtak, amit az agyi neuronok inputjáról modelleztek a lassú hullámú alvás (slow-wave sleep, SWS) során – ez az a mély alvás, ami nélkül élni sem tudunk. A mostani eredmények arra utalnak, hogy a mesterséges és a természetes intelligens rendszerek egyaránt ignylik a maguk mély alvó periódusait, hogy megfelelő stabilitással működjenek.

A Los Alamos National Laboratory kutatói még csak most kezdik vizsgálni szimulációikban a mesterséges alvás hatásait. Annyi már a cikkből is kiderül, hogy ezzel az ilyen szimulációk kezdetekor egyáltalán nem működő neuronokat is képesek "újraindítani", vagyis ismét a hálózatok működő elemévé tenni. A tudósok várakozásai szerint a kísérletek segítséget jelenthetnek az emberi alvás folyamatainak jobb megértésében is, nem beszélve a biológiai rendszerek más karakterisztikáiról.