На одном из ведущих мировых форумов по искусственному интеллекту, ICLR 2025, была представлена работа ученых из Лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL). Они предложили новый подход к обучению нейросетей, основанный на механизмах колебаний, наблюдаемых в нейронах мозга. Модель, получившая название LinOSS — сокращение от linear oscillatory state-space models, использует физические принципы гармонических колебаний, чтобы точнее и стабильнее обрабатывать длинные последовательности данных.
Обработка последовательной информации, такой как финансовые тренды, электрокардиограммы или климатические данные, требует от ИИ способности «удерживать» контекст на протяжении сотен тысяч точек данных. Большинство современных моделей при таких нагрузках либо становятся нестабильными, либо требуют значительных вычислительных ресурсов. Разработчики LinOSS, Т. Константин Руш и Даниэла Рус, поставили цель — воспроизвести эффективность работы нейронных систем мозга и внедрить эти принципы в архитектуру машинного обучения.
LinOSS отличается от предыдущих моделей устойчивостью и высокой точностью даже при работе с экстремально длинными последовательностями. При этом она не нуждается в жестких ограничениях при настройке параметров. Исследователи математически доказали, что модель способна аппроксимировать любую непрерывную причинно-следственную зависимость между входом и выходом — это означает универсальность в применении.
В серии тестов LinOSS превзошла современные аналоги, включая популярную модель Mamba, почти вдвое по точности при работе с очень длинными данными. Этот результат делает ее особенно перспективной для использования в медицине, климатологии, автономном транспорте и финансовом прогнозировании — везде, где важно понимать долгосрочные связи и тенденции.
Авторы подчеркивают, что разработка сочетает строгую математическую основу и вдохновение биологией. Более того, они видят в LinOSS не только инструмент для ИИ, но и потенциальный вклад в понимание работы мозга. В будущем команда планирует использовать модель для анализа разных типов данных и изучения нейрофизиологических процессов.
Интерес к предсказательным возможностям нейросетей в медицине растет во всем мире. Одним из ярких примеров стала разработка российских ученых, которая помогает точнее прогнозировать генетические риски — подробнее об этом вы можете прочитать в нашей статье.
