Para peneliti dari Ilmu Komputer MIT dan Laboratorium Kecerdasan Buatan (CSAIL) telah mengembangkan model kecerdasan buatan baru yang terinspirasi oleh osilasi saraf di otak, dengan tujuan untuk secara signifikan memajukan bagaimana algoritma pembelajaran mesin menangani urutan data yang panjang.
AI sering berjuang untuk menganalisis informasi kompleks yang terungkap dalam jangka waktu yang lama, seperti tren iklim, sinyal biologis, atau data keuangan. Satu jenis baru model AI, yang disebut “model ruang-ruang,” telah dirancang khusus untuk memahami pola-pola berurutan ini secara lebih efektif. Namun, model ruang negara yang ada sering menghadapi tantangan-mereka dapat menjadi tidak stabil atau membutuhkan sejumlah besar sumber daya komputasi saat memproses urutan data yang panjang.
Untuk mengatasi masalah ini, peneliti CSAIL T. Konstantin Rusch dan Daniela Rus telah mengembangkan apa yang mereka sebut “model ruang negara osilasi linier” (Linoss), yang memanfaatkan prinsip-prinsip osilator harmonik paksa-sebuah konsep yang berakar dalam dalam fisika dan mengamati dalam jaringan saraf biologis. Pendekatan ini memberikan prediksi yang stabil, ekspresif, dan efisien secara komputasi tanpa kondisi yang terlalu ketat pada parameter model.
“Tujuan kami adalah untuk menangkap stabilitas dan efisiensi yang terlihat dalam sistem saraf biologis dan menerjemahkan prinsip -prinsip ini ke dalam kerangka pembelajaran mesin,” jelas Rusch. “Dengan Linoss, kita sekarang dapat dengan andal mempelajari interaksi jarak jauh, bahkan dalam urutan yang mencakup ratusan ribu titik data atau lebih.”
Model Linoss unik dalam memastikan prediksi yang stabil dengan membutuhkan pilihan desain yang jauh lebih ketat daripada metode sebelumnya. Selain itu, para peneliti dengan ketat membuktikan kemampuan perkiraan universal model, yang berarti dapat mendekati setiap fungsi kausal yang berkelanjutan dan terkait urutan input dan output.
Pengujian empiris menunjukkan bahwa Linoss secara konsisten mengungguli model canggih yang ada di berbagai klasifikasi urutan yang menuntut dan tugas peramalan. Khususnya, Linoss mengungguli model Mamba yang banyak digunakan dengan hampir dua kali dalam tugas yang melibatkan urutan dengan panjang ekstrem.
Diakui karena signifikansinya, penelitian ini dipilih untuk presentasi lisan di ICLR 2025 – suatu kehormatan yang diberikan hanya untuk 1 persen pengajuan teratas. Para peneliti MIT mengantisipasi bahwa model Linoss dapat secara signifikan memengaruhi bidang apa pun yang akan mendapat manfaat dari peramalan dan klasifikasi dan klasifikasi yang akurat dan efisien, termasuk analitik perawatan kesehatan, ilmu iklim, mengemudi otonom, dan peramalan keuangan.
“Karya ini mencontohkan bagaimana kekakuan matematika dapat menyebabkan terobosan kinerja dan aplikasi yang luas,” kata Rus. “Dengan Linoss, kami menyediakan komunitas ilmiah dengan alat yang kuat untuk memahami dan memprediksi sistem yang kompleks, menjembatani kesenjangan antara inspirasi biologis dan inovasi komputasi.”
Tim membayangkan bahwa kemunculan paradigma baru seperti Linoss akan menarik bagi para praktisi pembelajaran mesin untuk dibangun. Ke depan, para peneliti berencana untuk menerapkan model mereka ke berbagai modalitas data yang berbeda. Selain itu, mereka menyarankan bahwa Linoss dapat memberikan wawasan yang berharga tentang ilmu saraf, berpotensi memperdalam pemahaman kita tentang otak itu sendiri.
Pekerjaan mereka didukung oleh Swiss National Science Foundation, program Schmidt AI2050, dan Departemen Akselerator Kecerdasan Buatan Angkatan Udara AS.
Informasi ini pertama kali tayang di MIT.edu klik disini untuk melihat berita lainnya.
