Neuroevolució
La neuroevolució és una forma d'inteligència artificial que utilisa algoritmes evolutius per a generar rets neuronals artificials (RNA), paràmetros i regles.[1] S'aplica més comunament en la vida artificial, els jocs en general[2] i la robòtica evolutiva. La principal ventaja és que la neuroevolució es pot aplicar de forma més àmplia que els algoritmes d'aprenentage supervisat, que requerixen un programa de parells d'entrada-eixida correctes. Pel contrari, la neuroevolució solament requerix una mida del rendiment d'una ret en una tasca. Per eixemple, el resultat d'un joc (és dir, si un jugador va guanyar o va perdre) es pot medir fàcilment sense proporcionar eixemples etiquetats de les estratègies desijades. La neuroevolución s'utilisa comunament com a part del paradigma de l'aprenentage per reforç, i es pot contrastar en les tècniques convencionals d'aprenentage profunt que utilisen la retropropagació (descens de gradient en una ret neuronal) en una topología fixa.
Característiques
S'han definit molts algoritmes de neuroevolució. Una distinció comuna és entre els algoritmes que solament evolucionen la força dels pesos de conexió per a una topología de ret fixa (a voltes cridada neuroevolución convencional) i els algoritmes que evolucionen tant la topología de la ret com els seus pesos (cridats TWEANN, per algoritmes de rets neuronals artificials en evolució de topología i pes).
Es pot fer una distinció separada entre els métodos que evolucionen l'estructura de les ANN en paralel als seus paràmetros (els que apliquen algoritmes evolutius estàndart) i els que les desenrollen per separat (a través d'algoritmes meméticos).[3]
Comparació en el descens de gradient
La majoria de les rets neuronals utilisen el descens de gradient en lloc de la neuroevolución. No obstant, al voltant de 2017, investigadors d'Uber varen afirmar que havien descobert que els algoritmes simples de neuroevolución estructural eren competitius en els sofisticats algoritmes d'aprenentage profunt de descens de gradient estàndar de l'indústria moderna, en part perque es va descobrir que la neuroevolución era menys propensa a quedar-se atollada en mínims locals. En Science, el periodiste Matthew Hutson va especular que partix de la raó per la que la neuroevolución està tenint èxit a on abans havia fracassat es deu a l'aument de la potència computacional disponible en la década de 2010.[4]
Es pot demostrar que existix una correspondència entre la neuroevolución i el descens de gradient.[5]
Vore també
Referències
- ↑ Stanley, Kenneth O. (2017-07-13). "Neuroevolution: A different kind of deep learning". O'Reilly Mija. Consultat 2017-09-04.
- ↑ Risi, Sebastian; Togelius, Julian (2017). "Neuroevolution in Games: State of the Art and Open Challenges". IEEE Transactions on Computational Intelligence and AI in Games. 9: 25–41. arXiv:1410.7326. doi:10.1109/TCIAIG.2015.2494596. S2CID 11245845.
- ↑ Togelius, Julian; Schaul, Tom; Schmidhuber, Jürgen; Gomez, Faustino (2008). "Countering Poisonous Inputs with Memetic Neuroevolution". Parallel Problem Solving from Nature – PPSN X. Lecture Notes in Computer Science. Vol. 5199. pp. 610–619. doi:10.1007/978-3-540-87700-4_61. ISBN 978-3-540-87699-1.
- ↑ Hutson, Matthew (11/01/2018). "Artificial intelligence ca 'evolve' to solve problems". Science. doi:10.1126/science.aas9715.
- ↑ Whitelam, Stephen; Selin, Viktor; Park, Sang-Won; Tamblyn, Isaac (2/11/2021). "Correspondence between neuroevolution and gradient descent". Nature Communications. 12 (1): 6317. arXiv:2008.06643. Bibcode:2021NatCo..12.6317W. doi:10.1038/s41467-021-26568-2. PMC 8563972. PMID 34728632.
- Este artícul conté una traducció derivada de «Neuroevolución» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.