神经网络进化通过在人工神经网络中筛选神经通路来模拟自然进化。神经进化结合了进化算法和人工神经网络，以类似于地球上大脑进化的方式来训练系统。与机器学习有关的许多概念已经存在了数十年。但是，在过去的几年中，由于计算能力的巨大进步，研究人员已经能够探索停滞不前的算法和方法。在人工智能领域，有一个概念突然引起人们的注意：神经进化。该方法通过在人工神经网络中筛选神经通路来模拟自然进化。通过变异，它确定了处理特定任务的最有效方法。在接下来的几年中，神经进化可能会允许系统更动态，更智能地进行调整和适应，从而影响机器人，医学和物流等各个领域。尽管这个概念的起源可以追溯到1980年代，但是直到今天，计算能力的发展使研究人员能够为旧算法注入新的活力。 “神经进化结合了进化算法和人工神经网络。结果是一种训练系统的方法，该方法非常类似于人脑的进化方式。优步（Uber）人工智能实验室的资深研究科学家肯尼斯·斯坦利（Kenneth Stanley）解释说。自然（代码）选择Neuroevolution受自然启发。传统的深度学习使用一种称为随机梯度下降（SGD）的方法。通过连续训练逐步减少错误，从而改进了算法。尽管SGD在处理许多计算任务（包括诸如语音和图像识别之类的复杂活动）方面非常有效，但是它难以应对“强化学习”这一更困难的挑战。 （学习如何在很少反馈的情况下进行学习）。例如，腿部受损或残疾的机器人必须学习一种不同的步行方式，而无需任何人告诉它如何适应这种特殊情况。人工智能软件公司Sentient Technologies的研究副总裁，得克萨斯大学奥斯汀分校的计算机科学系教授Risto Miikkulainen解释说：“通常，神经网络用于具有现有数据集的区域。当现有数据点告诉您如何将输入映射到输出时，神经网络很有用。典型的场景包括了解股票市场的行为或天气状况的潜在动态，这两种情况都将随着时间的推移而显示出来。已知模式。但是，如果您不知道给定输入的正确输出是什么，那么您就无法使用此方法，” Miikkulainen补充道。神经进化旨在规避这一障碍。在过去的几年中，包括非营利性研究公司OpenAI以及DeepMind和Google的团队在内的一些研究人员都参与了这种方法。 Uber人工智能实验室的高级研究科学家，怀俄明大学副教授Stanley和Jeff Clune已经证明，神经进化是一种强大的算法，可以创建深层神经网络并解决强化学习问题。他们和Uber人工智能实验室团队共同开发了一种遗传算法（GA），用于训练具有超过400万个参数的深度卷积网络。机器突变的研究证明了神经进化的实际可行性。在Uber人工智能实验室中，Stanley和Clune合着了有关该主题的五篇学术论文。他们使用遗传算法训练了一个神经网络，该神经网络可以基于像素数据玩Atari视频游戏。在13个游戏中的6个游戏中，该系统的性能优于传统的机器学习方法，并且避免了某些SGD方法中可能出现的无限循环。更重要的是，在三款游戏中，该系统的性能均优于人类。斯坦利说，关键因素是神经网络自发突变的能力。他和克莱因（Klein）以及另一位优步研究科学家乔尔·莱曼（Joel Lehman）找到了一种方法来引入“安全”的安全性。有助于神经网络显着增长并产生更好结果的突变。这项技术使他们能够开发具有100多个层的深度神经网络（DNN），远远超出了过去通过神经进化所能实现的范围。在Uber，该系统的实际好处可能包括开发更好的定价模型或更有效的调度或路由系统。但这只是神经进化的魅力之一。遗传算法，尤其是与其他机器学习算法结合使用时，可以在机器人，无人机，自动驾驶汽车，智能城市，药物设计和网络安全等领域带来各种改进。无论是无人机的结构性损坏还是通讯的突然激增