Googles DeepMind lærer at finde den bedste rute i Londons undergrundsbane

I et nyt projekt, der kombinerer neurale netværk og ekstern hukommelse har Googles DeepMind AI (Artificial Intelligence) fået skruet op for evnerne til ‘maskinlæring’. Det er blandt andet blevet brugt til at kunne lære at finde den bedste vej i Londons net af undergrundsbaner.

Forskerne kalder deres sammenkædning af neurale netværk og ekstern hukommelse for en ‘differentiable neural computer’ (DNC). Denne computer har fordelene fra neurale netværk – evnen til at kunne bearbejde data – koblet sammen med den eksterne hukommelse, der er nødvendig, hvis systemet også skal kunne klare en lang række algoritmer i sammenhæng med datastrømmen.

Interaktionen mellem skrive- og læse-funktionerne i DNC giver computeren en ‘associativ hukommelse’ – også beskrevet i dette blogindlæg.

Al information skrevet til hukommelsesmatrixen kan vurderes i forhold til, hvor relateret det er med andre dele af information lagret i systemet. Det gør DNC i stand til at læse den rigtige information til et givent spørgsmål.

Da DNC samtidigt holder styr på, hvor informationer er skrevet, kan systemet skrive ny information på steder, der er ledigt, eller overskrive hukommelse, hvor informationerne ikke længere er aktuelle. Derefter ‘gen-lærer’ DNC den samlede, opdaterede mængde information.

Forskerne har blandt andet testet DNC på dele af Londons undergrundsbane. Her bad de systemet finde den rute fra A til B, der havde færrest stop – ikke den korteste rejsetid. Stationernes indbydres relationer fra ikke indlejret, og DNC skulle i stedet udlede resultatet ved hjælp af det lagrede kort i hukommelsen. Ved rejser, der krydsede andre undergrundslinjer syv gange, gav DNC korrekt svar i 99,8 % af tilfældene.

Der er stadig et stykke vej og en del opskalering påkrævet, før DNC’s evner kan bruges i den virkelige verden. Her bliver der brug for tusinder eller millioner af lokationer i systemet, skriver forskerne i deres videnskabelige artikel publiceret i Nature.