מכון ויצמן: רשת נוירונים קטנה שלומדת לזהות פרטים זעירים כמו העין האנושית

חוקרים ממכון ויצמן למדע הראו שאפשר ללמד מערכת בינה מלאכותית לפענח סמלים זעירים ברזולוציה נמוכה מאוד, אם מחקים את האופן שבו המוח האנושי רואה. לפי הדיווח באתר Geektime, שפורסם במקור באתר מכון דוידסון לחינוך מדעי, הרשת שאימנו החוקרים הצליחה במשימה יותר ממערכות קיימות, ועשתה זאת בצורה חסכונית יותר. כותבת הכתבה, טל סוקולוב, מתארת את התוצאות כ"מרשימות".

לראות יותר ממה שהרשתית מאפשרת

המחקר מבוסס על תופעה שמוכרת למדע כבר עשרות שנים: חדות היתר (Hyperacuity). בני אדם מסוגלים להבחין בפרטים קטנים במיוחד, קטנים יותר ממה שהרשתית בעין אמורה לזהות לכאורה. לפי המקור, יכולת זו נובעת מהפעילות היעילה במיוחד של מערכת הראייה הביולוגית.

החוקרים אימנו רשת נוירונים קטנה ויעילה יותר מהרשתות המקובלות למשימה קשה במיוחד: סיווג סמלים זעירים ברזולוציה שאינה ברורה אפילו לעין האנושית.

ראייה פעילה ולא צילום סטטי

ראש צוות המחקר, פרופ' אהוד אחישר, הסביר בשיחה עם אתר מכון דוידסון שיש הבדל מהותי בין האופן שבו המוח קולט מידע לבין האופן שבו עושות זאת רשתות מלאכותיות: "בעוד שרשת נוירונים לזיהוי תמונה נחשפת לקלט יציב, של תמונות שמוצגות כאוסף של ערכי עוצמת אור, החישה של המוח היא חישה פעילה. כשאנו צופים בעצם, איברי מערכת הראייה שלנו זזים כל הזמן, ושינויי עוצמות האור הנקלטים בעין מומרים לשטף מתמשך של פעילות עצבית, גם אם העצם דומם".

גם כשאנחנו מביטים בתמונה קבועה, המבט שלנו אינו קפוא. העין מבצעת תנועות מהירות שנקראות סקאדות ומתמקדות בפרטים חשובים, וגם תנועות איטיות שנקראות דריפט, ש"ממששות" את התמונה.

הבדל נוסף נוגע לאופן שבו המידע מקודד. רשת מלאכותית שמקבלת סרטון מעבדת שוב ושוב את כל הפיקסלים בכל פריים, בקצב קבוע כמו 25 או 50 פריימים בשנייה. היא עושה זאת גם כשרק דמות קטנה זזה במרכז התמונה. המוח, לעומת זאת, רגיש בעיקר לשינויים. הגישה שמחקה זאת נקראת "עיבוד מבוסס אירועים" (event-based processing): היא פועלת באופן אסינכרוני, כלומר לא בקצב קבוע, ומגיבה רק כשמשהו משתנה. לפי המקור, היא יכולה להיות מדויקת יותר מבחינת תזמון ויעילה יותר, כי היא לא מתעכבת על תיעוד מחודש של מידע שלא השתנה. במעבדה במכון ויצמן מייחסים לקידוד הזמן תפקיד מהותי באופן שבו מערכת הראייה מעבדת מידע.

למה זה חשוב

בעשורים האחרונים, הדרך העיקרית לשפר מודלים של בינה מלאכותית הייתה פשוט להגדיל אותם: יותר יחידות עיבוד, יותר קשרים ויותר נתונים. לפי המקור, רשתות לעיבוד תמונה מגיעות כיום לעשרות מיליארדי קשרים. לשיטה הזאת יש מחיר. מרכזי הנתונים צורכים כמויות גדולות של אנרגיה, ומודלים ענקיים אי אפשר להריץ על מחשב נייד. הם תלויים בשרתים מרוחקים בענן.

המקור מביא דוגמה של מכונית אוטונומית. רשת שמזהה מכשולים ביעילות לא תעזור לה אם שליחת התמונה לשרת מרוחק וקבלת התשובה לוקחות יותר זמן ממה שיש לה כדי להגיב בכביש. לעומת זאת, המוח מבצע משימות זיהוי כאלה בהספק חשמלי נמוך מזה של מנורה ביתית.

המשמעות האפשרית של המחקר היא כיוון אחר: לשפר את הביצועים בעזרת מבנה חכם יותר שמבוסס על הביולוגיה, ולא רק בעזרת גודל. אם הגישה תוכיח את עצמה גם במשימות רחבות יותר, היא עשויה לאפשר מערכות ראייה קטנות שרצות על המכשיר עצמו. לפי המקור, יש תועלת גם בכיוון ההפוך: כשמנסים לבנות גרסה מלאכותית של מנגנון ביולוגי, לומדים עליו יותר.