Algoritme løser komplekse læringsopgaver med ekstrem energieffektivitet

Et interdisciplinært forskningsteam har gjort store fremskridt i udviklingen af en maskine, der kan behandle informationer lige så effektivt som det menneskelige hjerte, hvilket har været et langvarigt mål i feltet kunstig intelligens. Teamet fra Heidelberg Universitet i Tyskland og Universitetet i Bern i Schweiz blev ledet af Dr. Mihai Petrovici.

Forskningsresultaterne blev offentliggjort i tidsskriftet Nature Machine Intelligence. 

Biologisk-inspirerede kunstige neurale netværk

Teamet så på biologisk-inspirerede kunstige neurale netværk for at løse denne udfordring. Spiking neurale netværk efterligner struktur og funktion af et naturligt nervesystem, og de anses for at være en lovende kandidat på grund af deres egenskaber, der gør dem kraftfulde, hurtige og energieffektive. En af de største udfordringer har været at træne sådanne komplekse systemer, og teamet er nu tæt på at gøre det med den nyligt implementerede algoritme. 

Neuronerne i hjernen transmitterer information ved hjælp af korte elektriske pulser, der kaldes spiking. Disse udløses, når en bestemt stimulusgrænse overskrides. Informationsudvekslingen påvirkes kraftigt af både den frekvens, hvormed en enkelt neuron producerer spiking, og den tidsmæssige sekvens af de enkelte spiking. 

Julian Göltz er en ph.d.-stipendiat i forskningsgruppen.

“Den største forskel mellem biologiske spiking-netværk og kunstige neurale netværk er, at de kan løse komplekse opgaver såsom billedgenkendelse og klassificering med ekstrem energieffektivitet, fordi de bruger spiking-baseret informationsbehandling,” siger Göltz.

At nå fuld potential

Det menneskelige hjerte og de kunstige spiking neurale netværk kræver begge, at de enkelte neuron er korrekt forbundet til hinanden for at nå deres fulde potential. Derfor havde forskerne brug for at opdage, hvordan hjern-inspirerede eller neuromorfiske systemer kan justeres til at behandle spiking-input korrekt.

Laura Kriener er en anden medlem af forskningsholdet.

 “Denne spørgsmål er fundamentalt for udviklingen af kraftfulde kunstige netværk baseret på biologiske modeller,” siger Kriener.

Specielle algoritmer skal bruges til at garantere, at neuron i et spiking neuralt netværk vil affyre på det rigtige tidspunkt, og disse algoritmer justerer forbindelserne mellem neuron, så netværket kan udføre de krævede opgaver. Dette kan være noget som klassificering af billeder med høj præcision.

Dette er den type algoritme, som teamet har udviklet. 

“Ved hjælp af denne tilgang kan vi træne spiking neurale netværk til at kode og transmittere information eksklusivt i enkeltspiking. De producerer derefter de ønskede resultater særligt hurtigt og effektivt,” forklarer Göltz.

Forskerne har også lykkes i at implementere et neuralt netværk, der er trænet med denne algoritme, på en fysisk platform. Platformen var BrainScaleS-2 neuromorfisk hardware-platform, der er udviklet på Heidelberg Universitet. 

Forskerne siger, at BrainScaleS-systemet behandler informationer op til tusind gange hurtigere end det menneskelige hjerte, samtidig med at det kræver langt mindre energi end konventionelle computersystemer. 

Systemet er en del af det europæiske Human Brain Project. Projektet integrerer teknologier såsom neuromorfisk beregning i en åben platform kaldet EBRAINS.

“Men vores arbejde er ikke kun interessant for neuromorfisk beregning og biologisk inspireret hardware. Det anerkender også kravet fra det videnskabelige samfund om at overføre såkaldte Deep Learning-tilgange til neurovidenskab og dermed yderligere afsløre hemmelighederne om det menneskelige hjerte,” siger Dr. Petrovici.