Идо Кантер
Идо Кантер (англ. Ido Kanter, ивр. עדו קנטר) — израильский ученый, профессор физики университета Бар-Илан[1].
Биография[править]
В 1983 году получил степень бакалавра по физике и информатике в университете Бар-Илан.
В 1987 году получил докторскую степень по физике в университете Бар-Илан. Тема диссертации: «Thesis topic: Theory of Spin Glasses and its Applications to Complex Problems in Mathematics and Biology».
В 1988—1989 годах — приглашённый научный сотрудник в Принстонском университете.
В 1989 году — приглашённый научный сотрудник в Bell Laboratories.
В 1989—1991 годах — старший преподаватель Бар-Иланского университета.
В 1991—1996 годах — доцент Бар-Иланского университета.
С 1996 года — профессор Бар-Иланского университета.
Области исследований: физика конденсированного состояния, статистическая механика, фазовые переходы, физика неупорядоченных систем, теория нейронных сетей, проблемы оптимизации, информационная теория сложности, квантовые спиновые системы.
Новая архитектура нейросетей[править]
В начале 2023 года учёные университета Бар-Илан разработали новую архитектуру нейросетей, которая превосходит классические сверточные сети при решении задач, связанных с распознаванием изображений и компьютерным зрением. Профессор университета Бар-Илан Идо Кантер отметил:
Нам удалось показать, что простая архитектура системы машинного обучения, построенная на базе дендритных деревьев, способна лучше классифицировать объекты и изображения, чем это удается делать многослойным глубинным сверточным сетям. Это открывает дорогу для создания более эффективных алгоритмов и природоподобных систем искусственного интеллекта.
Профессор Кантер и его коллеги разработали новую архитектуру нейросетей, которая позволит существенно упростить и ускорить их работу. Как отмечают учёные, по своим принципам работы она больше похожа на реальные ткани мозга человека, чем на ныне существующие многослойные сверточные нейросети, в которых информация последовательно обрабатывается десятками, а то и сотнями отдельных наборов нейронов.
Израильские математики обнаружили, что устройство систем машинного обучения можно радикально упростить, если применить при разработке нейросетей своеобразные деревья из аналогов нервных клеток, схожих по устройству на дендриты нейронов. Система машинного обучения в этом случае организована в виде ряда "деревьев", состоящих из ветвящихся наборов аналогов нейронов, связанных сразу с несколькими последующими наборами клеток.
Важнейшая особенность данных "деревьев" состоит в том, что каждая их ветвь соединена только с одним выходом (одним из вариантов окончательного ответа), что заметно упрощает и ускоряет расчёты в сравнении с классическими сверточными нейросетями, задействующими при поиске ответа гигантское количество потенциально связанных с ним и не связанных нейронов.
Своё открытие израильские учёные проверили на стандартизированном наборе изображений из базы данных MNIST, которая традиционно применяется при оценке эффективности систем машинного обучения и компьютерного зрения. Эти эксперементы, что новый подход правильно классифицировал 99,07% изображений, а это сопоставимо с качеством работы классической нейросети LeNet-5 (99,05%).
Появление такой архитектуры нейросетей, по мнению учёных, приведёт к разработке специализированных устройств, способных максимально быстро просчитывать работу подобных "дендритных" систем машинного обучения, что даст возможность понизить затраты энергии на работу ИИ (AI)[2].
