建立自动驾驶控制系统需要多少个神经元？麻省理工学院的科学家告诉您，至少有19个！方法是向线虫等基本生物学习。最近，来自MITCSAIL，维也纳工业大学和奥地利技术学院的团队开发了一种基于线虫大脑的新型AI系统。研究结果出现在最近的“自然·机器智能”中。杂志。他们发现，具有19个控制神经元的单个算法可以通过将253个突触连接到输入中，将32个封装的输入特征连接到输出，从而学会将高维输入映射到操作命令。这种新的AI系统使用少量的人工神经元来控制车辆的转向。基于CNN和LSTM的神经网络创建相同的自动驾驶系统，其网络结构要复杂得多。论文的合著者MITCSAIL博士后Ramin Hasani解释说，为什么我们可以实现这么少的神经元？与以前的深度学习模型相比，每个单元中的信号处理遵循不同的数学原理。他们受到了秀丽隐杆线虫的启发，并于2018年提出了神经元回路策略（NeuronalCircuitPolicies，NCP）.NCP方法是重用生物神经回路模型的功能来创建可解释的控制剂并管理强化学习（ RL）虚拟现实世界的测试平台。该方法为线虫的TW神经回路建模。该电路主要负责线虫对外部机械触摸刺激的反射反应。通过掌握其突触和神经元参数，它被用作控制基本强化学习任务的策略。为了测试这个新的数学模型，团队选择了一项特别重要的测试任务，将自动驾驶汽车保持在车道上。神经网络接收摄像机拍摄的道路图像，然后自动决定向左转还是向右转。诸如自动驾驶之类的复杂任务通常需要具有数百万个参数的深度学习模型。但是，NCP方法可以将网络规模减少两个数量级。这个19中子极简主义的自动驾驶仪系统仅使用75,000个训练参数，并且参数数量减少了2个数量级。通过NCP方法构造的自动驾驶系统也需要CNN，但它仅用于从摄像机传入的视觉数据，并从中提取结构特征。它与车辆的实际转向无关。后面的神经网络确定相机图像的哪些部分很重要，然后将信号传输到网络的NCP控制系统。系统的控制部分将感知系统中的数据转换为操纵命令，并且仅包含19个神经元。两个子系统同时堆叠和训练。训练数据集是波士顿地区的人类驾驶汽车的视频，其中包括与汽车的图像和转向操作相关的数据。将它们一起馈入网络，直到系统学会自动将图像与适当的转向系统相连，该转向系统可以独立处理新情况。除了结构简单之外，使用NCP设计的自动驾驶系统相对于传统模型还具有两个主要优势：可解释性和鲁棒性。系统可解释的性能使我们能够看到网络所关注的内容。从视频中可以看到，神经网络专注于图像的非常特定的部分，例如路边和地平线。研究人员说，这种行为在AI系统中是独一无二的。此外，对每个神经元的解释性也得到了改善。我们还可以看到哪个神经元（视频中的亮点）在驱动决策中起作用。我们可以了解单个神经元的功能和行为。为了测试与传统模型和NCP模型进行比较的鲁棒性，研究人员还向输入图像添加了干扰，并评估了代理处理噪声的能力。结果，NCP显示出对输入伪像的强大抵抗力。除了可解释性和鲁棒性之外，NCP模型还具有其他优点。例如，减少培训时间并减少在相对简单的系统中实施AI的不确定性。 RaminHasani博士还说，NCP不仅可以用于自动驾驶，它还可以模仿学习，并意味着更广泛的应用，例如仓库中的自动机器人等。负责编辑AJX