Naukowcy odkryli nowy sposób na łączenie binarnych spiking neural networks - sieci neuronowych inspirowanych biologią, które pracują z minimalnym zużyciem energii - z modelowaniem relacji przyczynowych w danych. Dotychczas analiza zależności przyczynowych wymagała zaawansowanych metod statystycznych i było to oddzielne zagadnienie od efektywnych energetycznie sieci neuronowych ze spikami. Badania pokazują, że można połączyć oba podejścia, tworząc systemy, które jednocześnie oszczędzają energię i rozumieją, które zmienne faktycznie się wpływają na siebie, a które tylko pozornie są powiązane.
To otwarcie otwiera drzwi dla całkowicie nowego pokolenia sztucznej inteligencji - takie sieci mogłyby działać na urządzeniach brzegowych z ograniczonymi bateriami, a jednocześnie były by bardziej przejrzyste dla użytkowników. Zamiast czarnej skrzynki, która podaje wynik bez wyjaśnienia, taki system pokazałby, na czym bazuje jego wniosek. To szczególnie ważne w medycynie, finansach czy bezpieczeństwie, gdzie trzeba wiedzieć, dlaczego algorytm podjął daną decyzję.
Obecnie spiking neural networks mają ogromny potencjał w urządzeniach mobilnych, sensorach IoT czy systemach monitorowania, ale brakuje im zdolności do wyjaśniania związków przyczynowych. Z drugiej strony, tradycyjne modele przyczynowe są często skomplikowane i wymagają ogromnych mocy obliczeniowych. Połączenie obu technologii mogłoby zmienić sposób, w jaki budujemy interpretowalną i efektywną sztuczną inteligencję.