Investigadores del Laboratorio de Informática e Inteligencia Sintético del MIT (CSAIL) han desarrollado un nuevo maniquí de inteligencia químico inspirado en oscilaciones neurales en el cerebro, con el objetivo de avanzar significativamente en cómo los algoritmos de estudios espontáneo manejan largas secuencias de datos.
La IA a menudo lucha por el investigación de información compleja que se desarrolla durante largos períodos de tiempo, como tendencias climáticas, señales biológicas o datos financieros. Un nuevo tipo de maniquí de IA, llamado «modelos de espacio de estado», ha sido diseñado específicamente para comprender estos patrones secuenciales de guisa más efectiva. Sin retención, los modelos existentes del espacio de estado a menudo enfrentan desafíos: pueden volverse inestables o requerir una cantidad significativa de bienes computacionales al procesar secuencias de datos largas.
Para enfrentarse estos problemas, los investigadores de CSAIL T. Konstantin Rusch y Daniela Rus han desarrollado lo que llaman «modelos lineales del espacio oscilatorio del estado» (Linoss), que aprovechan los principios de los osciladores armónicos forzados, un concepto profundamente arraigado en la física y observado en las redes neuronales biológicas. Este enfoque proporciona predicciones estables, expresivas y computacionalmente eficientes sin condiciones demasiado restrictivas en los parámetros del maniquí.
«Nuestro objetivo era capturar la estabilidad y la eficiencia observadas en los sistemas neuronales biológicos y traducir estos principios en un entorno de estudios espontáneo», explica Rusch. «Con Linoss, ahora podemos educarse de guisa confiable interacciones de dilatado repercusión, incluso en secuencias que abarcan cientos de miles de puntos de datos o más».
El maniquí Linoss es único para asegurar una predicción estable al requerir opciones de diseño mucho menos restrictivas que los métodos anteriores. Encima, los investigadores demostraron rigurosamente la capacidad de acercamiento universal del maniquí, lo que significa que puede aproximar cualquier función continua y causal que relacione la secuencia de entrada y salida.
Las pruebas empíricas demostraron que Linoss superó consistentemente a los modelos de estado existentes de última engendramiento en varias tareas de clasificación de secuencia y pronóstico exigentes. En particular, Linoss superó al maniquí Mamba ampliamente utilizado en casi dos veces en tareas que involucran secuencias de largo extrema.
Obligado por su importancia, la investigación fue seleccionada para una presentación vocal en ICLR 2025, un honor otorgado solo al 1 por ciento superior de las presentaciones. Los investigadores del MIT anticipan que el maniquí Linoss podría afectar significativamente cualquier campo que se beneficie de la pronóstico y clasificación de horizonte de larga duración precisa y capaz, incluidos los investigación de atención médica, la ciencia del clima, la conducción autónoma y el pronóstico financiero.
«Este trabajo ejemplifica cómo el rigor matemático puede conducir a avances de rendimiento y amplias aplicaciones», dice Rus. «Con Linoss, estamos proporcionando a la comunidad científica una útil poderosa para comprender y predecir sistemas complejos, cerrando la brecha entre la inspiración biológica y la innovación computacional».
El equipo se imagina que la aparición de un nuevo ejemplo como Linoss será de interés para los profesionales del estudios espontáneo para construir. Mirando en torno a el futuro, los investigadores planean aplicar su maniquí a una escala más amplia de modalidades de datos diferentes. Encima, sugieren que Linoss podría proporcionar información valiosa sobre la neurociencia, potencialmente profundizando nuestra comprensión del cerebro en sí.
Su trabajo fue apoyado por la Swiss National Science Foundation, el software Schmidt AI2050 y el Unidad de EE. UU. Acelerador de inteligencia químico de la Fuerza Aérea.