🚀 انقلابی در یادگیری عصبی: وقتی الگوریتم‌های گسسته با شبکه‌های عصبی آشتی می‌کنند! 🧠

تا به حال فکر کرده‌اید چرا استفاده از دستورات شرطی و حلقه‌ها در شبکه‌های عصبی معمولاً باعث شکست فرآیند یادگیری (Gradient-based learning) می‌شود؟ چون این ساختارها «مشتق‌پذیر» نیستند!

محققان در مطالعه جدیدی، زبان برنامه‌نویسی جدیدی به نام «Cajal» معرفی کرده‌اند که می‌تواند این چالش را حل کند. این زبان با تبدیل دستورات تکرار (Iteration) به «نورون‌های بازگشتی» (Recurrent Neurons)، اجازه می‌دهد الگوریتم‌های گسسته به شکلی کاملاً مشتق‌پذیر در شبکه‌های عصبی به کار گرفته شوند.

این یعنی می‌توانیم هوش مصنوعی بسازیم که منطق‌های برنامه‌نویسی کلاسیک را مستقیماً در بطن خود یاد می‌گیرد و اجرا می‌کند. قدمی بزرگ برای ترکیب قدرت منطق و شهود در مدل‌های آینده!

منبع: arXiv Machine Learning