WiMi Hologram Cloud Inc. ha annunciato di aver adottato un algoritmo di intelligenza di gruppo per ottimizzare la rete neurale artificiale. Questo algoritmo facilita il processo di determinazione della struttura della rete e l'addestramento della rete neurale artificiale. L'algoritmo di intelligenza di gruppo è migliore nel trovare i pesi di connessione e le polarizzazioni ottimali durante l'addestramento, rispetto agli algoritmi tradizionali. L'algoritmo di intelligenza di gruppo è un algoritmo di ottimizzazione meta-euristico che si ispira all'osservazione dei modelli comportamentali dei gruppi di animali e insetti al variare del loro ambiente.

Questi algoritmi utilizzano il semplice comportamento collettivo di alcuni gruppi di organismi biologici per generare l'intelligenza di gruppo. Ciò consente agli algoritmi di intelligenza di gruppo di risolvere problemi di ottimizzazione complessi utilizzando l'interazione tra gruppi di agenti di ricerca artificiali e l'ambiente. Gli algoritmi di intelligenza di gruppo possono risolvere diversi tipi di problemi di ottimizzazione, compresi quelli continui, discreti o multi-obiettivo. Pertanto, hanno un'ampia gamma di applicazioni in vari campi.

WiMi ha utilizzato un algoritmo di intelligenza di gruppo per ottimizzare le reti neurali artificiali per migliorare la capacità di generalizzazione delle reti neurali artificiali, ottimizzando i pesi di connessione, i pesi e le polarizzazioni o la struttura della rete. Le fasi dell'algoritmo sono le seguenti: determinare la struttura e i parametri della rete neurale: Impostare e regolare la struttura e i parametri della rete neurale in base al problema specifico, come il numero di strati, il numero di neuroni in ogni strato, l'attivazione delle funzioni e così via. Preparare il set di dati di addestramento: Selezionare un set di dati di addestramento appropriato per l'addestramento della rete neurale.

Inizializzare il set di dati: Generazione casuale di un insieme di soluzioni come potenziali soluzioni al problema, che rappresentano il set di dati iniziale. Nel contesto dell'ottimizzazione della rete neurale, questo può includere la generazione casuale di una serie di pesi iniziali e di valori di polarizzazione come soluzioni iniziali per la rete neurale. Calcolare il fitness: Una funzione di fitness viene definita in base alla natura del problema e viene utilizzata per valutare la qualità di ogni soluzione.

Nel contesto dell'ottimizzazione della rete neurale, questo può includere il calcolo dell'errore tra l'uscita della rete e l'etichetta reale come fitness. Ricerca: Aggiornamento di ogni soluzione nella popolazione in base a una determinata regola di aggiornamento (ad esempio, una regola di aggiornamento basata sul modello della fase di movimento degli organismi sciamanti, come PSO, AFSA e SFLA) o una regola di aggiornamento impostata secondo un meccanismo algoritmico (ad esempio, ACO). I fattori di fitness e stocastici di ogni soluzione sono considerati nell'aggiornamento per migliorare l'efficienza della ricerca.Condizioni di minazione: Assicurare che il processo soddisfi determinate condizioni di terminazione, come il raggiungimento di un numero massimo di presenze o la ricerca di una soluzione soddisfacente.

Test e valutazione: Testare e valutare la rete neurale ottimizzata utilizzando un set di dati di prova per verificarne le prestazioni e la capacità di generalizzazione. L'algoritmo di ottimizzazione dell'intelligenza di gruppo è un metodo di ricerca stocastico probabilistico, quindi il risultato dell'ottimizzazione ottenuto non è necessariamente la soluzione ottimale, ma di solito è una soluzione migliore. Inoltre, WiMi incorporerà altre tecniche come la selezione delle caratteristiche e la pre-elaborazione dei dati per migliorare ulteriormente le prestazioni e la generalizzazione della rete neurale.