H Δρ. Ποϊράζη και ο Δρ. Χαυλής
Ερευνητές του ΙΤΕ ανέπτυξαν έναν νέο τύπο τεχνητού νευρωνικού δικτύου (ΤΝΔ) που ενσωματώνει χαρακτηριστικά βιολογικών δενδριτών. Αυτός ο καινοτόμος σχεδιασμός επιτρέπει την ακριβή και ανθεκτική αναγνώριση εικόνων, χρησιμοποιώντας σημαντικά λιγότερες παραμέτρους, ανοίγοντας τον δρόμο για πιο συμπαγή και ενεργειακά αποδοτικά συστήματα Τεχνητής Νοημοσύνης.
Ενσωματώνοντας νευρο-εμπνευσμένα χαρακτηριστικά στην ΤΝ, μπορούμε να δημιουργήσουμε συστήματα που μιμούνται τον τρόπο με τον οποίο ο εγκέφαλός μας επεξεργάζεται πληροφορίες, βελτιώνοντας την ικανότητά τους να αναγνωρίζουν μοτίβα και να λαμβάνουν αποφάσεις.
Σε πρόσφατο άρθρο που δημοσιεύθηκε στο έγκριτο περιοδικό Nature Communications, η ομάδα της Δρ. Παναγιώτας Ποϊράζη, διευθύντριας Ερευνών στο Ινστιτούτο Μοριακής Βιολογίας και Βιοτεχνολογίας (ΙΜΒΒ) του Ιδρύματος Τεχνολογίας και Έρευνας (ΙΤΕ), προτείνει μια νέα αρχιτεκτονική τεχνητών νευρώνων που περιλαμβάνει διάφορα χαρακτηριστικά από τους βιολογικούς δενδρίτες, την οποία εφάρμοσε με επιτυχία σε διάφορα προβλήματα αναγνώρισης εικόνων.
Οι δενδρίτες είναι οι διακλαδισμένες προεκτάσεις των νευρικών κυττάρων που μοιάζουν με κλαδιά δέντρου. Η κύρια λειτουργία τους είναι να λαμβάνουν πληροφορίες από άλλους νευρώνες και να τις μεταδίδουν στο κυρίως σώμα του κυττάρου. Για πολλά χρόνια, ο ρόλος των δενδριτών στην επεξεργασία πληροφοριών δεν ήταν σαφής, αλλά πρόσφατες μελέτες έχουν δείξει ότι μπορούν να εκτελούν σύνθετους μαθηματικούς υπολογισμούς ανεξάρτητα από τον κύριο νευρώνα.
Τα ευρήματα δείχνουν ότι αυτά τα δενδριτικά ΤΝΔ μπορούν να γενικεύσουν καλύτερα σε νέα δεδομένα και ισοφαρίζουν ή ξεπερνούν την απόδοση των παραδοσιακών ΤΝΔ, χρησιμοποιώντας πολύ λιγότερους πόρους, δηλαδή λιγότερες παραμέτρους και χρόνο εκπαίδευσης. Αυτή η βελτίωση προκύπτει από μια μοναδική προσέγγιση μάθησης, όπου οι κόμβοι του δικτύου κωδικοποιούν πολλές κατηγορίες, σε αντίθεση με τα κλασικά ΤΝΔ όπου οι κόμβοι τείνουν να μάθουν μία κατηγορία. Συνολικά, η έρευνα υποδηλώνει ότι η ενσωμάτωσή των δενδριτικών χαρακτηριστικών μπορεί να καταστήσει τα ΤΝΔ πιο έξυπνα και πολύ πιο αποδοτικά.
Η έρευνα επιτελέστηκε από τον Δρ. Χαυλή, μεταδιδακτορικό ερευνητή στο IMBB-ΙΤΕ, υπό την επίβλεψη της Δρ. Ποϊράζη.
Σχετικοί σύνδεσμοι: http://dendrites.gr
https://doi.org/10.1038/s41467-025-56297-9
