Ученые из MIT представили тип нейронной сети, способную обучаться и на этапе тестирования, и в процессе работы. Подобные алгоритмы называют эхо-сетями («ликвидными» или «подвижными»). Они постоянно адаптируются к новым входным данным и меняют лежащие в их основе формулы. Обычно большинство нейронных сетей «зафиксированы» после завершения фазы обучения, то есть — плохо приспосабливаются к изменениям во входящем потоке данных. «Подвижная» сеть более устойчива к неожиданным или нечетким данным.
Решение предназначено для помощи в принятии решений в режиме онлайн с учетом постоянно меняющихся данных: в медицинской диагностике, в автопилоте для транспорта, финансовой сфере, обработке естественных языков и управления роботами.
Нейронная сеть разработана на примере нематоды Caenorhabditis elegans — крошечного организма. У нематоды всего 302 нейрона, но она способна генерировать неожиданно сложную динамику.
Ученые закодировали нейронную сеть, основываясь на механизме активации нейронов C. elegans и взаимодействия их другом с помощью электрических импульсов. В уравнениях, которые были использованы для структурирования нейронной сети, такой подход позволил параметрам изменяться во времени на основе результатов вложенного набора дифференциальных уравнений.
Сеть показала преимущества в серии тестов. Она на несколько процентов опередила другие современные алгоритмы в точном прогнозировании будущих значений из датасетов (от химии атмосферы до схем движения).
Ученые планируют уменьшить масштаб сети, но при этом увеличить вычислительные мощности и эффективность, а также продолжить улучшение системы и подготовить ее к промышленному применению.