پژوهشگران نشان دادند که چگونه مغز مي‌تواند حجم زيادي از اطلاعات را ذخيره و پردازش کند.
انسان‌ها شناسايي اشياي مختلف و تشخيص تفاوت‌هاي آن‌ها با هم را به سرعت فرامي‌گيرند. براي مثال ما به محض ديدن حرف «A» آن را تشخيص مي‌دهيم و مهم نيست که اين حرف با چه رنگ و اندازه‌اي نوشته شده باشد و يا در پس زمينه‌ي آن چه چيزي وجود داشته باشد. به همين ترتيب است که چهره‌ي همکار خود را مي‌شناسيم و اگر او کلاه بر سر بگذارد و يا مدل موهايش را عوض کند، باز هم مي‌توانيم او را شناسايي کنيم. ما همچنين مي‌توانيم بخشي از‌يک جسم را ببينيم و تشخيص دهيم که آن جسم چيست. مثلاً گوشه‌اي از يک تخت خواب و يا لولاي يک در را مي‌بينيم و به سرعت کل جسم را تصور مي‌کنيم. چگونه مغز ما چنين عملکردي دارد؟ آيا اين تکنيک‌هاي ساده‌ي مغز در کارهاي گوناگون ما همواره استفاده مي‌شوند؟ آيا مي‌توانيم به روبات‌ها و رايانه‌ها آموزش دهيم که آن‌ها هم مانند مغز ما از چنين تکنيک‌هايي استفاده کنند؟
محققان در مرکز فناوري جورجيا (Georgia Institute of Technology) دريافتند که مغز انسان مي‌تواند با استفاده از يک درصد از اطلاعات اصلي داده‌ها را طبقه‌بندي کند. آن‌ها اين رفتار مغز را در قالب الگوريتمي تعريف کرده‌اند. مي‌توان از اين الگوريتم براي طبقه بندي اطلاعات روي رايانه‌ها استفاده کرد. سانتوش ومپالا (Santosh Vempala)، استاد برجسته‌ي علوم رايانه‌ي مؤسسه‌ي فناوري جورجيا و يکي از چهار محقق اصلي اين پروژه مي‌گويد: «چگونه ما به همه‌ي اشيا و رويدادهاي اطرافمان با اين سرعت و استواري ابراز احساسات مي‌کنيم؟ در يک سطح بنيادي، انسان‌ها چگونه اين کار را انجام مي‌دهند؟ اين براي ما نوعي مشکل محاسبه‌اي است.»
رزا آريج (Rosa Arriaga)، مايا کاکمک (Maya Cakmak)، ديويد روتر (David Rutter) و پروفسور ومپالا پژوهشگراني هستند که در پروژه‌اي تحت عنوان «فرافکني تصادفي» عملکردهاي مغز انسان را بررسي مي‌کنند. اين گروه مي‌خواهند بفهمند که انسان چگونه يک جسم را تشخيص مي‌دهد. افرادي که تحت اين آزمايش هستند مي‌بايست تصاويري را که اغلب آن‌ها انتزاعي هستند مشاهده کنند. سپس بخش کوچکي از تصوير را دوباره ببينند و محققان فرآيند تشخيص آن‌ها را بررسي مي‌کنند. آريج، محقق ارشد و روانشناس رشدي مي‌گويد: «ما فرض کرديم که فرافکني‌هاي تصادفي يکي از راه‌هاي‌يادگيري در انسان هستند. نتيجه‌ي پژوهش‌ها نشان مي‌دهند که حدس ما درست بود، تنها 15/0 درصد از داده‌ها براي افراد بسنده بود.»
در مرحله‌ي بعد، محققان يک الگوريتم محاسباتي مشابه را بر روي ماشين‌ها (شبکه‌هاي عصبي بسيار ساده) آزمايش کردند. عملکرد ماشين‌ها نيز مانند انسان بود و اين يک‌يافته‌ي جديد درباره‌ي نحوه‌ي يادگيري بشر است. آريج مي‌گويد: «در حقيقت ما دريافتيم که مغز انسان و شبکه‌هاي عصبي ساده عملکرد بسيار مشابهي دارند.» پژوهشگران مي‌خواهند به يک فرمول رياضي دست يابند که بتواند محرک‌هاي عادي و غيرعادي براي مغز را پيش بيني کند و بر اساس آن دريابند که سخت ترين چيزهايي که انسان‌ها و ماشين‌هاي ساده مي‌توانند ياد بگيرند چيست. عملکرد مغز انسان و ماشين‌هاي عصبي يکسان است. بنابراين با تشخيص اينکه يادگيري چه چيزي براي يکي از اين دو سخت تر از بقيه‌ي مطالب است، مي‌تواند درباره‌ي ديگري نيز صدق کند.
نتايج اين پژوهش‌ها به تازگي در ژورنال محاسبات عصبي (انتشارات MIT) منتشر شده است. اعتقاد بر اين است که اين اولين بار است که موضوع فرافکني تصادفي به عنوان هسته‌ي اصلي يادگيري بشر مورد بررسي قرار مي‌گيرد و اين محققان نظريه‌پردازان تئوري جديدي درباره‌ي‌يادگيري هستند. آن‌ها براي بررسي فرضيه‌ي خود، سه گروه از تصاوير انتزاعي با ابعاد 150 در 150 پيکسل را ايجاد کردند و سپس طرح‌هاي تصادفي کوچکي از اين تصويرها تهيه کردند. در اين آزمايش ابتدا به آزمايش شوندگان همه‌ي تصويرها در ده ثانيه نشان داده شد، سپس به طور تصادفي 16 طرح به هرکدام نشان داده شد. اين تصاوير انتزاعي بودند و محققان مطمئن بودند که آزمايش شوندگان از قبل هيچ گونه دانش و اطلاعاتي درباره‌ي آن‌ها ندارند.
ومپالا مي‌گويد: «ما از مشاهده‌ي شباهت‌هايي که ميان شبکه‌هاي عصبي ساده و مغز انسان وجود دارد شگفت زده شده‌ايم. از ابتدا طراحي شبکه‌هاي عصبي با الهام از مغز و نحوه‌ي يادگيري آن صورت گرفت، اما چون سازوکار يادگيري را به خوبي نمي‌دانستيم، اين الهام گرفتن نيز بسيار ضعيف بود. اما اکنون مي‌بينيم که عملکردها بسيار مشابه است.» سانجوي داسگويپتا ( Sanjoy Dasgupta) استاد علوم کامپيوتر و مهندسي دانشگاه کاليفرنيا و متخصص يادگيري ماشين و فرافکني تصادفي مي‌گويد: «اين مقاله‌ي جذاب، فرافکني‌هاي تصادفي متعددي را معرفي مي‌کند که در آن‌ها، تصاويرها کوچک و فشرده مي‌شوند، ولي همچنان انسان‌ها و ماشين‌هاي عصبي قادر به تشخيص اين تصويرها هستند. در واقع اين تئوري ترکيبي هوشمندانه از هندسه، محاسبات عددي و يادگيري ماشين است.
نتايج اين پژوهش ها را مي‌توان در سه نکته خلاصه کرد. نکته‌ي نخست اين است که در نحوه ي يادگيري بشر و ماشين ها، ما شاهد کاهش بسيار شديد مقدار پيچيدگي با استفاده از توضيح فرافکني تصادفي بوده‌ايم و در عين حال دريافتيم که اين کاهش پيچيدگي هيچ تأثيري بر يادگيري نمي گذارد و وظايف مغز را ضايع نمي کند. نکته‌ي دوم به ما گوشزد مي کند که دقت انسان و شبکه هاي عصبي ساده حتي در سطح محرک هاي فردي نيز يکسان هستند و در نهايت نکته ي سوم اين است که مي توان عملکرد مغز انسان ها و سيستم هاي عصبي را ناشي از يک مفهوم طبيعي از خلاقيت و خوش فکري در دسته‌بندي تعريف کرد.»
اگرچه دانشمندان هنوز نمي‌توانند ادعا کنند که مغز انسان قطعاً از روش فرافکني استفاده مي‌کند، اما نتايج پژوهش‌هاي آن‌ها نشان مي‌دهد که اين نظريه بسيار محتمل است. علاوه بر اين، تئوري فرافکني تصادفي روش بسيار کارآمدي براي يادگيري ماشين‌هاست. يکي از چالش‌هاي امروزي بشر وجود حجم داده‌هاي وسيع است و راه حل آن مي‌تواند استفاده از روش فرافکني تصادفي باشد. با اين روش داده‌ها بدون از دست رفتن مطالب ضروري طبقه بندي مي‌شوند و راحت تر مي‌توان درباره‌ي آن‌ها تصميم گرفت.
نظريه‌ي الگوريتمي يادگيري با استفاده از فرافکني تصادفي تا کنون بيش از 300 مرتبه ارجاع داده شده و استفاده شده است. اين تئوري در حال تبديل به يک روش مرسوم براي آموزش به ماشين‌ها است تا در نهايت بشر بتواند مسئوليت‌هاي بزرگتري را به انواع گوناگون وسايل هوش مصنوعي بسپارد. کمپاني گوگل در تلاش است که با استفاده از الگوريتم يادگيري فرافکني تصادفي نرم افزار تشخيص تصاوير جديدي را طراحي کند. ساير کمپاني‌ها نيز در پي استفاده از اين الگوريتم براي نوشتن رمان يا طراحي يک قطعه‌ي موسيقي توسط روبات‌ها هستند.
اگر ماشين ها کمي خلاق باشند مي‌توانند زندگي انسان را غني‌تر کنند. مدت ها است که از رايانه‌ها براي طراحي و ترکيب‌بندي داروها استفاده مي شود. اما امروزه مي توانيم اين کار را به روبات هاي دانشمند بسپاريم و از آن ها بخواهيم داروهاي جديد را طراحي و تست کنند. روش فناوري همواره اين طور بوده که يک روش مثبت را به کار ببندد در حالي که جوانب منفي آن را به حداقل مي‌رساند. تاريخ علم رايانه و هوش مصنوعي نشان مي دهد که با وجود ماشين هاي هوشمندتر و قابل يادگيري، انسان مي تواند زندگي راحتتر و همراه با رفاه بيشتري را تجربه کند.
منبع:
منابع مفید:
Learning&the brain.com
APA.org (american Psycological Assosiation)
Santosh S. Vempala
Phys.org: Vitual Scenes Specific
Random Projection
Machine Learning