Growing Adaptive Machines: Combining Development and Learning in Artificial Neural Networks

پیگیری هوش مصنوعی برای دهه‌ها یک حوزه تحقیقاتی بسیار فعال بوده است که بینش‌های علمی هیجان‌انگیزی و فناوری‌های جدید مولد را به همراه داشته است. با این حال، از نظر ایجاد هوش، این پیگیری تنها موفقیت محدودی را به همراه داشته است. این کتاب به بررسی این فرضیه می پردازد که رشد تطبیقی ​​وسیله ای برای حرکت رو به جلو است. با تقلید از فرآیند بیولوژیکی توسعه، می‌توانیم ویژگی‌های مطلوب سیستم‌های عصبی طبیعی را در طرح‌های مهندسی شده بگنجانیم و بنابراین به سمت ایجاد سیستم‌های مغز مانند نزدیک‌تر شویم. تمرکز ویژه بر نحوه طراحی شبکه‌های عصبی مصنوعی برای کارهای مهندسی است.

این کتاب شامل مشارکت‌های 18 محقق است، از بررسی دقیق دامنه‌های اخیر توسط دانشمندان ارشد تا مشارکت‌های جدید هیجان‌انگیز که نشان‌دهنده وضعیت هنر در تحقیقات یادگیری ماشین این کتاب با مروری کلی بر عصب زایی مصنوعی و یادگیری ماشینی الهام گرفته از زیستی آغاز می شود که هم به عنوان مقدمه ای برای حوزه ها و هم به عنوان مرجعی برای کارشناسان مناسب است. چندین مشارکت دیدگاه‌ها و فرضیه‌های آینده را در مورد قطارهای بسیار موفق تحقیقات اخیر ارائه می‌کنند، از جمله یادگیری عمیق، مدل Hyper NEAT طراحی شبکه عصبی توسعه‌ای، و شبیه‌سازی قشر بینایی. سایر مشارکت‌ها شامل پیشرفت‌های اخیر در طراحی شبکه‌های عصبی مصنوعی الهام‌گرفته از زیستی، از جمله ایجاد ماشین‌هایی برای طبقه‌بندی، کنترل رفتاری عوامل مجازی، طراحی ربات‌های چند جزئی مجازی و مورفولوژی‌ها و ایجاد هوش انعطاف‌پذیر است. در سرتاسر، مشارکت‌کنندگان تخصص گسترده خود را در مورد ابزارها و مزایای ایجاد ماشین‌های شبیه مغز به اشتراک می‌گذارند.

این کتاب برای دانشجویان پیشرفته و شاغلین هوش مصنوعی و یادگیری ماشینی مناسب است.

The pursuit of artificial intelligence has been a highly active domain of research for decades, yielding exciting scientific insights and productive new technologies. In terms of generating intelligence, however, this pursuit has yielded only limited success. This book explores the hypothesis that adaptive growth is a means of moving forward. By emulating the biological process of development, we can incorporate desirable characteristics of natural neural systems into engineered designs and thus move closer towards the creation of brain-like systems. The particular focus is on how to design artificial neural networks for engineering tasks.

The book consists of contributions from 18 researchers, ranging from detailed reviews of recent domains by senior scientists, to exciting new contributions representing the state of the art in machine learning research. The book begins with broad overviews of artificial neurogenesis and bio-inspired machine learning, suitable both as an introduction to the domains and as a reference for experts. Several contributions provide perspectives and future hypotheses on recent highly successful trains of research, including deep learning, the Hyper NEAT model of developmental neural network design, and a simulation of the visual cortex. Other contributions cover recent advances in the design of bio-inspired artificial neural networks, including the creation of machines for classification, the behavioural control of virtual agents, the design of virtual multi-component robots and morphologies and the creation of flexible intelligence. Throughout, the contributors share their vast expertise on the means and benefits of creating brain-like machines.

This book is appropriate for advanced students and practitioners of artificial intelligence and machine learning.