自动驾驶汽车是机器学习研究人员和工程师目前正在探索的最复杂的任务之一。它涵盖了许多方面，并要求高度的稳定性。只有这样，我们才能确保自动驾驶车辆在道路上的安全运行。通常，自动驾驶算法的训练需要大量的训练数据用于真实的人类驾驶。我们试图让深度神经网络理解这些数据，并在遇到这些情况时重现人类的反应。众所周知，当数据量足够时，深度监督模型将得到很好的训练，但是目前的深度学习仍然存在泛化性能差，训练效率低的问题。研究人员一直在寻找建立智能模型的新方法。当前，人们一直在寻找更深的网络，但这意味着更高的计算能力。因此，正如人们认为的那样，有必要找到一种方法，该方法需要较少的数据或较少的神经网络层来使机器智能化。 ▲模仿线虫控制的神经网络。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。 ▲当时使用CNN来实现车辆系统。这种方法的灵感来自线虫等小型动物的大脑。它仅使用数十个神经元来控制自动驾驶汽车，而常规的深度神经网络方法（例如Inception，ResNet，VGG等）则需要数据。数百万个神经元。这种新型网络仅使用75,000个参数和19个神经元，比以前少了数万倍！此方法还带来了其他好处。因为神经元的数量稀少，所以这样的网络不再是“黑匣子”。深入的模型，人们可以了解每个操作阶段的网络情况。该研究项目的负责人拉杜·格罗苏（Radu Grosu）教授说：“就像线虫秀丽线虫的生活一样，它们用令人惊讶的少量神经元就能实现有趣的行为模式。” ▲三种不同的神经连接模型这是由于线虫秀丽隐杆线虫的神经系统造成的。能够以高效且协调的方式处理信息。该系统证明深度学习模型仍有改进的空间。如果线虫在进化为接近最佳的神经系统结构后能用很少的神经元做出有趣的行为反应，那么我们也可以让机器来做。这种神经系统允许线虫执行运动，运动控制和导航行为，而这正是诸如自动驾驶之类的应用所需要的。其中一名研究参与者Thomas Henzinger教授说，他们基于这种神经系统“开发了一种新型的数学神经元和突触模型”-液体时间常数（LTC）神经元。简化神经网络的一种方法是使其稀疏，即并非每个单元都连接到其他单元。当一个单元被激活时，其他单元不被激活，这会减少计算时间，因为所有不活动的单元都没有输出（或者输出为0，这可以大大加快计算速度）。 ▲神经网络专注于图像的非常特定的部分。这个新系统由两部分组成。第一个是紧凑的卷积神经网络，用于从输入图像像素中提取结构特征。使用此类信息，网络可以确定图像的哪些部分更重要或更有趣，并且仅将图像的该部分传输到下一步。该研究提出了新架构的端到端表示。第二部分是“控制系统”，其使用一组受到生物学启发的神经元来做出控制汽车的决策。该控制系统也被称为“神经电路策略”。 （神经回路策略，NCP）。它将紧凑卷积模型的输出数据转换为仅具有19个神经元的RNN架构（该架构受线虫神经系统启发），然后控制汽车。 ▲有关NCP网络的实施详细信息，请参阅相关论文和GitHub项目。这大大减少了参数数量。第一篇论文Mathias Lechner指出，“ NCP是三阶