AI-hardwareteknologi imiterer ændringer i neuralt netværkstopologi

En gruppe forskere ved The Korea Advanced Institute of Science and Technology (KAIST) har foreslået et nyt system, der er inspireret af hjernens neuromodulation, som kaldes et “stashing system”. Dette nyt foreslåede system kræver mindre energiforbrug. 

Holdet blev ledt af professor Kyung Min Kim fra afdelingen for materialsvidenskab og -teknologi. Forskningen blev offentliggjort i Advanced Functional Materials og blev støttet af KAIST, National Research Foundation of Korea, National NanoFab Center og SK Hynix. 

Imitering af neuralt netværkstopologi

Forskerne udviklede en teknologi, der kan håndtere matematiske operationer for kunstig intelligens effektivt ved at imitere ændringerne i neuralt netværkstopologi afhængigt af situationen. Dette var inspireret af det menneskelige hjerte, der kan ændre sin neurale topologi i realtid, hvilket giver det mulighed for at lære at gemme eller hente erindringer, når det er nødvendigt. 

Denne nye type AI-læringsmetode implementerer direkte neurale koordinationscirkonfigurationer. 

For at implementere AI effektivt i elektroniske enheder er det vigtigt, at tilpasset hardwareudvikling støttes. Med det sagt kræver de fleste elektroniske enheder, der er lavet til AI, høj energiforbrug. Hvis de skal udføre store opgaver, har de også brug for højintegrede hukommelsesarray. Disse begrænsninger i forbrug og integration har vist sig at være svære at overvinde, så forskerne er begyndt at kigge dybere ind i det menneskelige hjerte for at se, hvordan det løser problemer. 

Meget effektiv teknologi

Holdet demonstrerede effektiviteten af den nye teknologi ved at oprette kunstigt neuralt netværkshardware med en selv-rettificerende synaptisk array og algoritme, der kaldes et “stashing system”. Denne hardware blev udviklet til at udføre AI-læring, og den kunne reducere energiforbrug med 37% inden for stashing-systemet uden at lide af nøjagtighedsdegradering. 

“I denne studie implementerede vi hjernens læringsmetode med kun en simpel kredssammensætning, og gennem dette kunne vi reducere den nødvendige energi med næsten 40 procent,” sagde professor Kim. 

En af de vigtige aspekter af dette nye stashing system, der imiterer hjernens aktivitet, er, at det er kompatibelt med eksisterende elektroniske enheder og kommercielle halvlederhardware. Systemet kan spille en stor rolle i designet af næste generations halvlederchips til AI.