Human Brain Project, Intel arbejder sammen for at fremme neuromorf teknologi

Et team af forskere på Human Brain Project (HBP) arbejder sammen med Intel for at fremme neuromorfisk teknologi og bringe kunstig intelligens tættere på energieffektiviteten i den menneskelige hjerne. Neuromorf teknologi er mere energieffektiv til store deep learning-netværk sammenlignet med andre AI-systemer. 

Forskere i HBP og Intel udførte et sæt eksperimenter, der demonstrerede denne effektivitet. Eksperimenterne involverede en ny Intel-chip, der er afhængig af neuroner svarende til dem i den menneskelige hjerne. Det var første gang, at sådanne resultater blev påvist. 

Forskningen blev offentliggjort i Nature Machine Intelligence. 

Intels Loihi-chips

Gruppen fokuserede på algoritmer, der arbejder med tidsmæssige processer, og systemet skulle besvare spørgsmål om en tidligere fortalt historie, samtidig med at det forstod relationerne mellem objekter eller mennesker ud fra konteksten. Hardwaren bestod af 32 Loihi-chips, som er Intels neuronale forskningschips. 

Phillip Plank er ph.d.-studerende ved TU Graz' Institut for Teoretisk Datalogi og ansat hos Intel. 

"Vores system er to til tre gange mere økonomisk her end andre AI-modeller," siger Plank. 

Plank mener, at efterhånden som den nye Loihi-generation introduceres, vil den have flere effektivitetsgevinster og forbedre energikrævende chip-til-chip-kommunikation. Målinger viste, at forbruget var 1000 gange mere effektivt, da der ikke var nødvendige aktionspotentialer, der skulle sendes frem og tilbage mellem chipsene. 

Gruppen gengav en formodet metode af den menneskelige hjerne. 

Wolfgang Maass er Philipp Planks ph.d.-vejleder og professor emeritus ved Institut for Teoretisk Datalogi. 

"Eksperimentelle undersøgelser har vist, at den menneskelige hjerne kan lagre information i en kort periode selv uden neuronal aktivitet, nemlig i såkaldte 'interne variabler' af neuroner," siger Maass. "Simuleringer tyder på, at en træthedsmekanisme af en undergruppe af neuroner er afgørende for denne korttidshukommelse."

Sammenkobling af Deep Learning-netværk

For at opnå dette forbinder forskerne to typer deep learning-netværk. De feedbackneuronale netværk er ansvarlige for "korttidshukommelsen", og tilbagevendende moduler filtrerer mulig relevant information fra inputsignalet og gemmer den. Et feed-forward-netværk afgør, hvilke af de fundne relationer, der er vigtige for at løse den aktuelle opgave. Relationer, der er meningsløse, filtreres fra, og neuronerne fyrer kun i de moduler, hvor der er fundet relevant information. Hele denne proces er det, der fører til dramatiske energibesparelser. 

Steve Furber er leder af HBP neuromorphic computing division og professor i Computer Engineering ved University of Manchester. 

"Dette fremskridt bringer løftet om energieffektiv begivenhedsbaseret kunstig intelligens på neuromorfe platforme et vigtigt skridt nærmere udmøntning. Den nye mekanisme er velegnet til neuromorfe computersystemer såsom Intel Loihi og SpiNNaker, der er i stand til at understøtte multi-rum-neuronmodeller,” sagde Furber.