神经网络是人工智能中的一种方法，它教会计算机以类似于人脑的方式处理数据。它使用连接的节点或神经元构成的分层结构，类似于人脑。人工神经元被排列成层级结构形成神经网络，用于各种任务，如模式识别、分类、回归等。这些神经元通过在训练过程中改变数字权重和偏差来形成稳固的连接。
尽管这些神经网络取得了进展，但它们也有限制。它们由大量相似类型的神经元组成。这些相同神经元之间的连接数量和强度可以在网络学习过程中发生变化。然而，一旦网络被优化，这些固定的连接定义了其架构和功能，无法改变。
因此，研究人员开发了一种可以提升人工智能能力的方法。它允许人工智能内部审视其结构并微调其神经网络。研究表明，通过多样化激活函数可以克服限制，并使模型能够高效工作。
他们在多样性上对人工智能进行了测试。北卡罗来纳州立大学物理学教授、北卡罗来纳州立大学非线性人工智能实验室主任威廉·迪托表示，他们创建了一个测试系统，其中包含一种非人类智能，即人工智能(AI)，以查看人工智能是否会选择多样性而不是缺乏多样性，并且其选择是否会提高人工智能的性能。此外，他表示关键在于允许人工智能内部审视并学习其学习方式。
允许神经元自主学习激活函数的神经网络往往表现出快速多样化，并在图像分类和非线性回归等任务中表现优于同质神经网络。另一方面，迪托的团队赋予了他们的人工智能在其神经网络中自主确定神经元数量、配置和连接强度的能力。这种方法允许创建由网络内的各种神经元类型和连接强度组成的子网络。
迪托表示，他们赋予了人工智能内部审视并决定是否需要修改其神经网络组成的能力。实质上，他们给了它大脑的控制旋钮。因此，它可以解决问题，查看结果，并改变人工神经元的类型和混合直到找到最有利的一种。他将其称为人工智能的元学习。他们的人工智能还可以在多样或同质神经元之间进行选择。他进一步表示，他们发现在每个实例中，人工智能都选择多样性以增强其性能。
研究人员在一个标准的数字分类任务上测试了该系统，并发现该系统的准确性随着神经元数量和多样性的增加而提高。研究人员表示，同质人工智能在数字识别方面的准确率为57％，而元学习的多样性人工智能则达到令人印象深刻的70％准确率。
研究人员表示，未来他们可能会通过调整超参数来优化学习到的多样性，以提高性能。此外，他们将在更广泛的回归和分类任务中应用获得的多样性，使神经网络多样化，并评估其在不同情景下的鲁棒性和性能。