Projekt lidského mozku a Intel spolupracují na rozvoji neuromorfní technologie

Tým výzkumníků z Projektu lidského mozku (HBP) spolupracuje s Intelem na rozvoji neuromorfní technologie a přiblížení umělé inteligence k energetické efektivitě lidského mozku. Neuromorfní technologie je energeticky účinnější pro velké hluboké učící sítě ve srovnání s jinými systémy umělé inteligence.

Výzkumníci z HBP a Intel (INTC ) provedli sérii experimentů, které demonstrovaly tuto efektivitu. Experimenty zahrnovaly nový Intel čip, který spoléhá na neuronové podobné těm v lidském mozku. To byla první možnost, kdy byly takové výsledky demonstrovány.

Výzkum byl zveřejněn v Nature Machine Intelligence.

Intelův čip Loihi

Skupina se zaměřila na algoritmy, které pracují s časovými procesy, a systém musel odpovědět na otázky o předem vyprávěném příběhu a pochopit vztahy mezi objekty nebo lidmi z kontextu. Hardware se skládal z 32 čipů Loihi, které jsou Intelovými neuronovými výzkumnými čipy.

Phillip Plank je doktorand na Ústavu teoretické informatiky TU Graz a zaměstnanec Intelu.

“Náš systém je zde dvakrát až třikrát více ekonomický než jiné modely umělé inteligence,” říká Plank.

Plank věří, že s novou generací čipů Loihi bude více energetických úspor a vylepšení energeticky náročné komunikace mezi čipy. Měření ukázala, že spotřeba byla 1000krát více efektivní, protože nebyly vyžadovány akční potenciály, které musely být odeslány zpět a forth mezi čipy.

Skupina reprodukovala předpokládanou metodu lidského mozku.

Wolfgang Maass je doktorandským supervizorem Phillipa Planka a profesorem emeritus na Ústavu teoretické informatiky.

“Experimentální studie ukázaly, že lidský mozek může uložit informace na krátkou dobu i bez neuronové aktivity, a to v takzvaných ‘vnitřních proměnných’ neuronů,” říká Maass. “Simulace naznačují, že mechanismus únavy podmnožiny neuronů je esenciální pro tuto krátkodobou paměť.”

Propojení hlubokých učících sítí

K dosažení tohoto cíle výzkumníci propojují dva typy hlubokých učících sítí. Sítě s názvem „krátkodobá paměť“ jsou zodpovědné za „krátkodobou paměť“, a rekurentní moduly filtrovaly možnou relevantní informace z vstupního signálu a uložily je. Feed-forward síť určuje, které vztahy nalezené jsou důležité pro řešení aktuální úkolu. Vztahy, které jsou bezvýznamné, jsou filtrovány, a neuronové pouze aktivují v modulech, kde byla nalezena relevantní informace. Tento celý proces vede k dramatickým energetickým úsporám.

Steve Furber je vedoucím neuromorfního výpočetního oddělení HBP a profesorem počítačového inženýrství na University of Manchester.

“Tento pokrok přibližuje slib energeticky účinné událost-založené umělé inteligence na neuromorfních platformách o jeden důležitý krok blíž k realizaci. Nový mechanismus je dobře přizpůsoben neuromorfním výpočetním systémům, jako jsou Intel Loihi a SpiNNaker, které jsou schopny podporovat multi-kompartimentní neuronové modely,” řekl Furber.