Некоторые главные трудности и препятствия для развития нейронаук:

• Большой объём данных. 1 Чем более мощную нейросеть требуется обучить, тем больше параметров необходимо настроить, а каждый из них включает в себя огромные массивы информации. 1
• Сложность переобучения. 1 Если в видимых наборах данных есть ошибка, то сложная модель будет генерировать её уже в собственных данных. 1
• Оптимизация гиперпараметров. 1 Изменение значения таких параметров на небольшую величину может привести к значительному изменению производительности модели. 1
• Потребность в высокопроизводительном оборудовании. 1 Чтобы повысить эффективность и сократить затраты времени, специалисты по обработке и анализу данных переходят на высокопроизводительные графические процессоры, но они дорого стоят и потребляют много энергии. 1
• Проблема «чёрного ящика». 1 Исследователи знают параметры модели, но не всегда понимают, как нейросети приходят к тому или иному решению. 1
• Отсутствие гибкости и многозадачности. 1 Модели глубокого обучения могут обеспечить эффективное и точное решение конкретной проблемы, но пока архитектуры узкоспециализированы для конкретных областей применения. 1
• Специфика сбора эмпирических данных. 5 Методы, необходимые для сбора нейронаучных данных, такие как нейровизуализация мозга, требуют контролируемых экспериментальных условий, которые далеки от условий, в которых происходит реальное обучение. 5